論文の概要: EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation

• arxiv url: http://arxiv.org/abs/2603.16151v1
• Date: Tue, 17 Mar 2026 06:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.122387
• Title: EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation
• Title（参考訳）: EFF-Grasp:物理対応デクスタースグレープ生成のためのエネルギーフィールドフローマッチング
• Authors: Yukun Zhao, Zichen Zhong, Yongshun Gong, Yilong Yin, Haoliang Sun,
• Abstract要約: EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 54.09734511705173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Denoising generative models have recently become the dominant paradigm for dexterous grasp generation, owing to their ability to model complex grasp distributions from large-scale data. However, existing diffusion-based methods typically formulate generation as a stochastic differential equation (SDE), which often requires many sequential denoising steps and introduces trajectory instability that can lead to physically infeasible grasps. In this paper, we propose EFF-Grasp, a novel Flow-Matching-based framework for physics-aware dexterous grasp generation. Specifically, we reformulate grasp synthesis as a deterministic ordinary differential equation (ODE) process, which enables efficient and stable generation through smooth probability flows. To further enforce physical feasibility, we introduce a training-free physics-aware energy guidance strategy. Our method defines an energy-guided target distribution using adapted explicit physical energy functions that capture key grasp constraints, and estimates the corresponding guidance term via a local Monte Carlo approximation during inference. In this way, EFF-Grasp dynamically steers the generation trajectory toward physically feasible regions without requiring additional physics-based training or simulation feedback. Extensive experiments on five benchmark datasets show that EFF-Grasp achieves superior performance in grasp quality and physical feasibility, while requiring substantially fewer sampling steps than diffusion-based baselines.
• Abstract（参考訳）: 近年、大規模データから複雑な把握分布をモデル化する能力により、デノベーション・ジェネレーション・モデルがデクスタラス・グリップ・ジェネレーションの主要なパラダイムとなっている。 しかし、既存の拡散に基づく手法は一般に確率微分方程式 (SDE) として生成を定式化しており、これは多くの場合、多くの逐次分解ステップを必要とし、物理的に不可能な把握につながる軌道不安定性をもたらす。 本稿では,物理を意識したデクスタラスグリップ生成のためのフローマッチングに基づく新しいフレームワークであるEFF-Graspを提案する。 具体的には、グリップ合成を決定論的常微分方程式(ODE)プロセスとして再構成し、スムーズな確率フローによる効率的かつ安定した生成を可能にする。 物理的な実現可能性をさらに強化するために、トレーニング不要な物理対応エネルギー誘導戦略を導入する。 提案手法は, キーグリップ制約を捕捉する適応的物理エネルギー関数を用いてエネルギー誘導対象分布を定義し, 推定中の局所モンテカルロ近似を用いて対応する誘導項を推定する。 このように、EFF-Graspは物理ベースのトレーニングやシミュレーションのフィードバックを必要とせず、物理的に実現可能な領域への生成軌道を動的に制御する。 5つのベンチマークデータセットの大規模な実験により、EFF-Graspは、拡散ベースベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れたパフォーマンスを達成することが示された。

関連論文リスト

• Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
  本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
  論文  参考訳（メタデータ） (2025-12-27T14:00:22Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
  現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。 本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
  論文  参考訳（メタデータ） (2025-04-14T18:10:58Z)
• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
  深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。 所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。 実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
  論文  参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。