論文の概要: GraspADMM: Improving Dexterous Grasp Synthesis via ADMM Optimization

• arxiv url: http://arxiv.org/abs/2603.13832v1
• Date: Sat, 14 Mar 2026 08:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.791953
• Title: GraspADMM: Improving Dexterous Grasp Synthesis via ADMM Optimization
• Title（参考訳）: GraspADMM:ADMM最適化によるdexterous Grasp合成の改善
• Authors: Liangwang Ruan, Jiayi Chen, He Wang, Baoquan Chen,
• Abstract要約: 本稿では,新しいグリップ合成フレームワークであるGraspADMMを提案する。 サンプリングベースの多様性を保ちつつ、運動可能性と動的安定性を改善している。 本手法は, 極低摩擦条件下においても, 頑健で, 物理的に安定なグリップ生成を維持できる。
• 参考スコア（独自算出の注目度）: 31.34069902255588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesizing high-quality dexterous grasps is a fundamental challenge in robot manipulation, requiring adherence to diversity, kinematic feasibility (valid hand-object contact without penetration), and dynamic stability (secure multi-contact forces). The recent framework Dexonomy successfully ensures broad grasp diversity through dense sampling and improves kinematic feasibility via a simulator-based refinement method that excels at resolving exact collisions. However, its reliance on fixed contact points restricts the hand's reachability and prevents the optimization of grasp metrics for dynamic stability. Conversely, purely gradient-based optimizers can maximize dynamic stability but rely on simplified contact approximations that inevitably cause physical penetrations. To bridge this gap, we propose GraspADMM, a novel grasp synthesis framework that preserves sampling-based diversity while improving kinematic feasibility and dynamic stability. By formulating the refinement stage using the Alternating Direction Method of Multipliers (ADMM), we decouple the target contact points on the object from the actual contact locations on the hand. This decomposition allows the pipeline to alternate between updating the target object points to directly maximize dynamic grasp metrics, and adjusting the hand pose to physically reach these targets while strictly respecting collision boundaries. Extensive experiments demonstrate that GraspADMM significantly outperforms state-of-the-art baselines, achieving a nearly 15\% absolute improvement in grasp success rate for type-unaware synthesis and roughly a 100\% relative improvement in type-aware synthesis. Furthermore, our approach maintains robust, physically plausible grasp generation even under extreme low-friction conditions.
• Abstract（参考訳）: 高品質なデキスタスグリップを合成することは、ロボット操作における基本的な課題であり、多様性、運動的実現性(侵入のない有意な手オブジェクト接触)、動的安定性(セキュアな多接触力)に固執する必要がある。 最近のフレームワークであるデキソノミーは、密集サンプリングによる広範囲な把握の多様性を確実にし、正確な衝突を解くためのシミュレーターベースの精錬法により、運動学的な実現性を向上させる。 しかし、固定接触点への依存は手の届きやすさを制限し、動的安定性のための把握指標の最適化を防ぐ。 逆に、純粋に勾配に基づく最適化器は動的安定性を最大化できるが、必然的に物理的浸透を引き起こす単純な接触近似に依存する。 このギャップを埋めるため,本研究では,サンプリングに基づく多様性を保ちつつ,運動性や動的安定性を向上する新たなグリップ合成フレームワークであるGraspADMMを提案する。 交代方向乗算器 (ADMM) を用いて改良段階を定式化することにより, 対象の接触点と実際の接触位置を分離する。 この分解により、パイプラインはターゲットのオブジェクトポイントを更新する間を交互に切り替えて、ダイナミックな把握メトリクスを直接最大化し、衝突境界を厳格に尊重しながら、これらの目標に物理的に到達するための手の動きを調整することができる。 広汎な実験により,GraspADMMは最先端のベースラインを著しく上回り,タイプ無認識合成における把握成功率を15倍近く向上し,タイプ無認識合成において約100倍の相対改善を達成した。 さらに, 極低摩擦条件下においても, 頑健かつ物理的に安定なグリップ生成が維持されている。

関連論文リスト

• Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm [33.333272339511446]
  本稿では,ウェアラブルデバイスに組み込まれた空気圧作動式ロボットアームの前方および逆運動学を正確に学習するための一貫性駆動型デュアルLSTMフレームワークを提案する。 この手法は, アクティベーション入力とエンドエフェクタ位置の1対1マッピング問題に対処しながら, ソフト空気圧アクチュエータの非線形およびヒステリックな挙動を効果的に捉えている。
  論文  参考訳（メタデータ） (2026-03-18T12:51:12Z)
• Adaptive Manipulation Potential and Haptic Estimation for Tool-Mediated Interaction [14.888648782445694]
  本稿では,ツール間相互作用の統一表現として,パラメータ化された平衡マニフォールド(EM)を提案する。 我々は,ハプティック推定,オンライン計画,適応剛性制御を統合したクローズドループフレームワークを開発した。 このフレームワークはシミュレーションと260以上の現実世界のスクリューロージング試験によって検証されている。
  論文  参考訳（メタデータ） (2026-03-11T02:57:55Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Harnessing Consistency for Robust Test-Time LLM Ensemble [88.55393815158608]
  CoREは、堅牢なLLMアンサンブルにモデル一貫性を利用するプラグイン・アンド・プレイ技術である。 トークンレベルの一貫性は、ダウンウェイト不確実なトークンにローパスフィルタを適用することで、きめ細かい不一致を捕捉する。 モデルレベルの一貫性は、自己自信の高いモデル出力を促進することで、グローバルな合意をモデル化する。
  論文  参考訳（メタデータ） (2025-10-12T04:18:45Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Zubov-Net: Adaptive Stability for Neural ODEs Reconciling Accuracy with Robustness [0.16355471507854133]
  本稿ではZubovNetという適応型安定学習フレームワークを提案する。 本稿では,PRoAsを直接最適化することで,ロアの形状を積極的に制御する新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:01:51Z)
• Optimizing Multi-Modal Trackers via Sensitivity-aware Regularized Tuning [112.12667472919723]
  本稿では,RGBデータに対する事前学習モデルを効果的に適用することにより,マルチモーダルトラッカーの最適化に挑戦する。 既存の微調整パラダイムは過度な自由と過剰な制限の間に振動し、最適の可塑性-安定性のトレードオフをもたらす。 そこで本研究では,本質的なパラメータ感を取り入れて学習プロセスを微妙に洗練する,感性に配慮した規則化チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-24T18:42:47Z)
• Adaptive Pruning with Module Robustness Sensitivity: Balancing Compression and Robustness [7.742297876120561]
  本稿では, 対向摂動に対する層次感度を定量化する新しい計量法であるModule Robustness Sensitivity (MRS)を紹介する。 本稿では,任意の対向学習法に適合する適応型プルーニングアルゴリズムであるModule Robust Pruning and Fine-Tuning (MRPF)を提案する。
  論文  参考訳（メタデータ） (2024-10-19T18:35:52Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact [26.408218913234872]
  剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
  論文  参考訳（メタデータ） (2020-07-02T09:51:36Z)

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。