論文の概要: GenDexGrasp: Generalizable Dexterous Grasping

• arxiv url: http://arxiv.org/abs/2210.00722v1
• Date: Mon, 3 Oct 2022 05:38:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 17:04:17.791576
• Title: GenDexGrasp: Generalizable Dexterous Grasping
• Title（参考訳）: GenDexGrasp: 一般化可能なデクサラスグラスピング
• Authors: Puhao Li, Tengyu Liu, Yuyang Li, Yiran Geng, Yixin Zhu, Yaodong Yang, Siyuan Huang
• Abstract要約: GenDexGraspは、一般化可能なグルーピングのための新しい手認識型グルーピングアルゴリズムである。 成功率の高い多種多様でもっともらしい把握ポーズを効率よく生成する。 GenDexGraspは成功率、推論速度、多様性の3方向トレードオフを実現している。
• 参考スコア（独自算出の注目度）: 28.949793299414086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating dexterous grasping has been a long-standing and challenging robotic task. Despite recent progress, existing methods primarily suffer from two issues. First, most prior arts focus on a specific type of robot hand, lacking the generalizable capability of handling unseen ones. Second, prior arts oftentimes fail to rapidly generate diverse grasps with a high success rate. To jointly tackle these challenges with a unified solution, we propose GenDexGrasp, a novel hand-agnostic grasping algorithm for generalizable grasping. GenDexGrasp is trained on our proposed large-scale multi-hand grasping dataset MultiDex synthesized with force closure optimization. By leveraging the contact map as a hand-agnostic intermediate representation, GenDexGrasp efficiently generates diverse and plausible grasping poses with a high success rate and can transfer among diverse multi-fingered robotic hands. Compared with previous methods, GenDexGrasp achieves a three-way trade-off among success rate, inference speed, and diversity. Code is available at https://github.com/tengyu-liu/GenDexGrasp.
• Abstract（参考訳）: 巧妙な把握を生成することは、長年にわたり、困難なロボット作業であった。 最近の進歩にもかかわらず、既存の方法は主に2つの問題に苦しんでいる。 第一に、ほとんどの先行技術は、目に見えないものを扱う一般的な能力に欠ける特定のタイプのロボットハンドに焦点を当てている。 第二に、先行芸術はしばしば、高い成功率で急速に多様な把握を生み出すことに失敗している。 本稿では,これらの課題を統一的解法で共同で解決するために,一般化可能なグリーピングのための手認識型グリーディングアルゴリズムであるGenDexGraspを提案する。 GenDexGraspは、大規模マルチハンドグルーピングデータセットであるMultiDexを強制クロージャ最適化により訓練する。 GenDexGraspは、コンタクトマップを手持ちの中間表現として活用することにより、高い成功率で多種多様な把握ポーズを効率よく生成し、多様な多指ロボットハンド間で移動することができる。 従来の手法と比較して、GenDexGraspは成功率、推論速度、多様性の3方向のトレードオフを達成する。 コードはhttps://github.com/tengyu-liu/GenDexGrasp.comで入手できる。

関連論文リスト

• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Speeding up 6-DoF Grasp Sampling with Quality-Diversity [1.533848041901807]
  品質多様性(QD)アルゴリズムは、与えられた問題に対する多様なハイパフォーマンスなソリューションを得るために、一連のソリューションを最適化する。 標準物体に2本から5本の指を持つ4本のグリップで行った実験では、QDは一般的な方法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-10T10:58:54Z)
• RealDex: Towards Human-like Grasping for Robotic Dexterous Hand [64.47045863999061]
  本稿では,人間の行動パターンを取り入れた手の動きを正確に把握する先駆的データセットであるRealDexを紹介する。 RealDexは、現実のシナリオにおける認識、認識、操作を自動化するためのヒューマノイドロボットを進化させる上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-21T14:59:46Z)
• MyoDex: A Generalizable Prior for Dexterous Manipulation [17.859880233707717]
  人間の器用さは、ひとつのタスクによって獲得されるのではなく、以前の経験の多様性に基づいて構築される。 提案手法では,マルチタスク学習を活用して,タスクに依存しない行動の先入観を暗黙的に捉えている。 myoDexを利用するエージェントは、蒸留ベースラインに比べて約3倍、約4倍高速なタスクを解くことができる。
  論文  参考訳（メタデータ） (2023-09-06T16:10:49Z)
• DMFC-GraspNet: Differentiable Multi-Fingered Robotic Grasp Generation in Cluttered Scenes [22.835683657191936]
  マルチフィンガーロボットグリップは、複雑なオブジェクト操作を行う可能性がある。 マルチフィンガーロボットグリップの現在の技術は、推論時間毎に1つのグリップしか予測しないことが多い。 本稿では,この課題に対処するための3つの主要なコントリビューションを持つ,微分可能なマルチフィンガーグリップ生成ネットワーク(DMFC-GraspNet)を提案する。
  論文  参考訳（メタデータ） (2023-08-01T11:21:07Z)
• Accelerating Multi-Agent Planning Using Graph Transformers with Bounded Suboptimality [13.203261059264728]
  競合ベースの検索は、マルチエージェントパス探索の最も一般的な方法の1つである。 計画の高速化を目的とした学習ベースコンポーネントであるグラフトランスフォーマーを提案する。 その結果、提案したグラフトランスフォーマーは、比較的少ないエージェントで問題インスタンスでトレーニング可能であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T07:22:24Z)
• DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation [10.783992625475081]
  本稿では,ロボットデキスタラスグルーピングのための大規模シミュレーションデータセットDexGraspNetを提案する。 私たちはShadowHandという、ロボット工学でよく見られる豪華なグリップを使って、5355のオブジェクトに対して123万のグリップを生成します。 GraspIt!が生成した以前のデータセットと比較すると、私たちのデータセットはオブジェクトやグリップだけでなく、多様性や品質も高くなります。
  論文  参考訳（メタデータ） (2022-10-06T06:09:16Z)
• Towards Human-Level Bimanual Dexterous Manipulation with Reinforcement Learning [73.92475751508452]
  Bimanual Dexterous Hands Benchmark (Bi-DexHands) は、数十のバイマニュアル操作タスクと数千のターゲットオブジェクトを備えた2つのデキスタラスハンドを含むシミュレータである。 Bi-DexHandsのタスクは、認知科学の文献によると、人間の運動能力のレベルが異なるように設計されている。
  論文  参考訳（メタデータ） (2022-06-17T11:09:06Z)
• Differentiable Multi-Granularity Human Representation Learning for Instance-Aware Human Semantic Parsing [131.97475877877608]
  カテゴリーレベルの人間のセマンティックセグメンテーションとマルチパーソンポーズ推定を共同およびエンドツーエンドで学習するために,新たなボトムアップ方式を提案する。 さまざまな人間の粒度にわたって構造情報を利用する、コンパクトで効率的で強力なフレームワークです。 3つのインスタンス認識型ヒューマンデータセットの実験は、我々のモデルがより効率的な推論で他のボトムアップの代替案よりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-03-08T06:55:00Z)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。