論文の概要: Leveraging CVAE for Joint Configuration Estimation of Multifingered Grippers from Point Cloud Data
- arxiv url: http://arxiv.org/abs/2511.17276v1
- Date: Fri, 21 Nov 2025 14:31:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:19.062749
- Title: Leveraging CVAE for Joint Configuration Estimation of Multifingered Grippers from Point Cloud Data
- Title（参考訳）: 点クラウドデータからの多指グリッパーの関節構成推定のためのCVAEの活用
- Authors: Julien Merand, Boris Meden, Mathieu Grossard,
- Abstract要約: 本稿では,多関節鎖の点雲データのみから多指グリップの関節構成を決定するための効率的な手法を提案する。
本研究では,重要な構造要素の点クラウドデータを入力として取り込んだ条件変分自動エンコーダ(CVAE)を用いて,対応する関節構成を再構築する。
我々は、Allegro Handを用いたマルチデックス把握データセットに対するアプローチを検証し、0.05ミリ秒以内で動作し、最先端の手法に匹敵する精度を実現する。
- 参考スコア（独自算出の注目度）: 1.3124513975412255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an efficient approach for determining the joint configuration of a multifingered gripper solely from the point cloud data of its poly-articulated chain, as generated by visual sensors, simulations or even generative neural networks. Well-known inverse kinematics (IK) techniques can provide mathematically exact solutions (when they exist) for joint configuration determination based solely on the fingertip pose, but often require post-hoc decision-making by considering the positions of all intermediate phalanges in the gripper's fingers, or rely on algorithms to numerically approximate solutions for more complex kinematics. In contrast, our method leverages machine learning to implicitly overcome these challenges. This is achieved through a Conditional Variational Auto-Encoder (CVAE), which takes point cloud data of key structural elements as input and reconstructs the corresponding joint configurations. We validate our approach on the MultiDex grasping dataset using the Allegro Hand, operating within 0.05 milliseconds and achieving accuracy comparable to state-of-the-art methods. This highlights the effectiveness of our pipeline for joint configuration estimation within the broader context of AI-driven techniques for grasp planning.
- Abstract（参考訳）: 本稿では,視覚センサやシミュレーション,さらには生成ニューラルネットワークによって生成された多関節鎖の点雲データのみから,多指グリップの関節構成を決定するための効率的な手法を提案する。
良く知られた逆キネマティクス(IK)技術は、指先ポーズのみに基づく関節構成決定のための数学的に正確な解(存在すれば)を提供することができるが、しばしば、グリップパーの指のすべての中間フランジの位置を考慮し、より複雑なキネマティクスの解を数値的に近似するためにアルゴリズムに依存することによって、ホット後の決定を必要とする。
対照的に、我々の手法は機械学習を利用してこれらの課題を暗黙的に克服する。
これは条件付き変分自動エンコーダ(CVAE)によって実現され、キー構造要素のポイントクラウドデータを入力として取り出し、対応する関節構成を再構築する。
我々は、Allegro Handを用いたマルチデックス把握データセットに対するアプローチを検証し、0.05ミリ秒以内で動作し、最先端の手法に匹敵する精度を実現する。
これは、AI駆動による計画把握技術の範囲内での、共同構成推定におけるパイプラインの有効性を強調します。
関連論文リスト
- Self-Supervised Scene Flow Estimation with Point-Voxel Fusion and Surface Representation [30.355128117680444]
シーンフロー推定は、点雲の2つの連続するフレーム間の点の3次元運動場を生成することを目的としている。
既存の点ベースの手法は点雲の不規則性を無視し、長距離依存を捉えるのが困難である。
本稿では,分散グリッドアテンションとシフトウインドウ戦略に基づくボクセルブランチを用いて,長距離依存性を捕捉するポイントボクセル融合法を提案する。
論文 参考訳（メタデータ） (2024-10-17T09:05:15Z) - Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。
我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。
4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
論文 参考訳（メタデータ） (2024-03-30T17:29:13Z) - Generalized Correspondence Matching via Flexible Hierarchical Refinement
and Patch Descriptor Distillation [13.802788788420175]
対応マッチングは多くのロボティクス応用において重要な役割を担っている。
本稿では,SoTA (State-of-the-art) のプラグ・アンド・プレイ対応手法であるDFM (Deep Feature Match) の限界に対処する。
提案手法は,それぞれ1,3,5画素に対する平均マッチング精度0.68,0.92,0.95の総合的な性能を実現する。
論文 参考訳（メタデータ） (2024-03-08T15:32:18Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。
具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
論文 参考訳（メタデータ） (2023-05-17T14:30:11Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳（メタデータ） (2022-02-21T15:30:14Z) - DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。
我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2021-11-15T08:27:21Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z)
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。