論文の概要: DexEvolve: Evolutionary Optimization for Robust and Diverse Dexterous Grasp Synthesis

• arxiv url: http://arxiv.org/abs/2602.15201v1
• Date: Mon, 16 Feb 2026 21:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.498982
• Title: DexEvolve: Evolutionary Optimization for Robust and Diverse Dexterous Grasp Synthesis
• Title（参考訳）: DexEvolve:ロバストおよびディバースデクスタースグラフ合成のための進化的最適化
• Authors: René Zurbrügg, Andrei Cramariuc, Marco Hutter,
• Abstract要約: 本稿では,大規模で多様な,物理的に実現可能なグリップを合成するための,スケーラブルな生成・再定義パイプラインを提案する。 検証とフィルタリングのみに高忠実度シミュレータを使用する代わりに、最適化段階として活用する。 新たに導入されたHandlesデータセットとDexGraspNetサブセットの実験は、我々のアプローチがオブジェクト毎に120以上の異なる安定したグリップを達成することを示した。
• 参考スコア（独自算出の注目度）: 7.074797051806457
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dexterous grasping is fundamental to robotics, yet data-driven grasp prediction heavily relies on large, diverse datasets that are costly to generate and typically limited to a narrow set of gripper morphologies. Analytical grasp synthesis can be used to scale data collection, but necessary simplifying assumptions often yield physically infeasible grasps that need to be filtered in high-fidelity simulators, significantly reducing the total number of grasps and their diversity. We propose a scalable generate-and-refine pipeline for synthesizing large-scale, diverse, and physically feasible grasps. Instead of using high-fidelity simulators solely for verification and filtering, we leverage them as an optimization stage that continuously improves grasp quality without discarding precomputed candidates. More specifically, we initialize an evolutionary search with a seed set of analytically generated, potentially suboptimal grasps. We then refine these proposals directly in a high-fidelity simulator (Isaac Sim) using an asynchronous, gradient-free evolutionary algorithm, improving stability while maintaining diversity. In addition, this refinement stage can be guided toward human preferences and/or domain-specific quality metrics without requiring a differentiable objective. We further distill the refined grasp distribution into a diffusion model for robust real-world deployment, and highlight the role of diversity for both effective training and during deployment. Experiments on a newly introduced Handles dataset and a DexGraspNet subset demonstrate that our approach achieves over 120 distinct stable grasps per object (a 1.7-6x improvement over unrefined analytical methods) while outperforming diffusion-based alternatives by 46-60\% in unique grasp coverage.
• Abstract（参考訳）: デクサラス・グルーピングはロボティクスの基本であるが、データ駆動のグルーピング予測は、大量の多様なデータセットに大きく依存している。 解析的グリップ合成はデータ収集をスケールするために用いられるが、必要最小限の仮定は、高忠実度シミュレーターでフィルターする必要がある物理的に不可能なグリップを生じさせ、グリップの総数と多様性を著しく減少させる。 本稿では,大規模で多様な,物理的に実現可能なグリップを合成するための,スケーラブルな生成・再定義パイプラインを提案する。 検証とフィルタリングのためだけに高忠実度シミュレータを使う代わりに、事前計算された候補を破棄することなく、把握品質を継続的に改善する最適化段階として活用する。 より具体的には、分析的に生成され、潜在的に最適なグリップのシードセットを用いて進化的探索を初期化する。 次に、非同期で勾配のない進化アルゴリズムを用いて、高忠実度シミュレータ(Isaac Sim)でこれらの提案を直接洗練し、多様性を維持しながら安定性を向上する。 さらに、この改善段階は、異なる目的を必要とせず、人間の嗜好やドメイン固有の品質指標に導出することができる。 さらに,精細化したグリップ分布を,実世界のロバストな展開のための拡散モデルに蒸留し,効果的トレーニングと展開中の多様性の役割を強調した。 新たに導入されたHandlesデータセットとDexGraspNetサブセットの実験により、我々のアプローチは、オブジェクト毎の120以上の異なる安定なグリップ(未精製解析法よりも1.7-6倍の改善)を達成し、独自のグリップカバレッジにおいて拡散ベースの代替品を46-60\%上回る結果を得た。

関連論文リスト

• IMS3: Breaking Distributional Aggregation in Diffusion-Based Dataset Distillation [41.83834685276882]
  近年,拡散型データセット蒸留法は,拡散モデルの強い生成能力を活用し,多様で構造的に一貫した試料を生成することにより,大きな期待を抱いている。 Inversion-Matching (IM)は、インバージョン誘導による微調整プロセスを導入し、軌道をインバージョンと整列させ、分布範囲を広げ、多様性を高める。 Selective Subgroup Sampling(S3)は、クラス間分離性を改善するためのトレーニング不要なサンプリングメカニズムである。
  論文  参考訳（メタデータ） (2026-03-14T14:15:03Z)
• Diffusion-Driven High-Dimensional Variable Selection [6.993247097440294]
  本稿では,高忠実度合成データを生成する拡散モデルの能力を生かした再サンプル集約フレームワークを提案する。 提案手法は軽微な仮定の下で一貫した選択であることを示す。 本手法は,変数選択手法を改良し,統計的に厳密な解析を行うためのツールキットを拡充する。
  論文  参考訳（メタデータ） (2025-08-19T14:54:20Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Learnable Sparse Customization in Heterogeneous Edge Computing [27.201987866208484]
  異種フェデレート学習(FedLPS)のための学習可能なパーソナライズ・スパシフィケーションを提案する。 FedLPSは、局所データ表現におけるモデルユニットの重要性を学び、パーソナライズされたデータ特徴を正確に抽出するために、最小限の重要度に基づくスパースパターンを導出する。 実験により、FedLPSは精度とトレーニングコストにおいてステータスクオアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-10T06:14:31Z)
• FFHFlow: Diverse and Uncertainty-Aware Dexterous Grasp Generation via Flow Variational Inference [36.02645364048733]
  本稿では,多種多様な頑健なマルチフィンガーグリップを生成するフローベース変分フレームワークFFHFlowを提案する。 流れの可逆性と正確な確率を利用して、FFHFlowは部分的な観測において不確実性を形成する。 また,不確実性を考慮したランキング戦略を定式化することにより,識別的把握評価器をフロー可能性と統合する。
  論文  参考訳（メタデータ） (2024-07-21T13:33:08Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
  ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。 両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。 転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-10-10T10:48:52Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。