論文の概要: GAPG: Geometry Aware Push-Grasping Synergy for Goal-Oriented Manipulation in Clutter

• arxiv url: http://arxiv.org/abs/2603.21195v1
• Date: Sun, 22 Mar 2026 12:30:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.289135
• Title: GAPG: Geometry Aware Push-Grasping Synergy for Goal-Oriented Manipulation in Clutter
• Title（参考訳）: GAPG: クラッタにおけるゴール指向マニピュレーションのためのプッシュグレーピング・シナジーの幾何学的認識
• Authors: Lijingze Xiao, Jinhong Du, Yang Cong, Supeng Diao, Yu Ren,
• Abstract要約: 乱雑な環境では、シングルステップの把握が不十分であることが多い。 従来の作業は、把握可能な空間を作るための補助的なアクションとしてプッシュを導入してきた。 我々は,グリップとプッシュ評価を統合するために,幾何対応のプッシュグラス・シナジー・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 27.71481975135778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grasping target objects is a fundamental skill for robotic manipulation, but in cluttered environments with stacked or occluded objects, a single-step grasp is often insufficient. To address this, previous work has introduced pushing as an auxiliary action to create graspable space. However, these methods often struggle with both stability and efficiency because they neglect the scene's geometric information, which is essential for evaluating grasp robustness and ensuring that pushing actions are safe and effective. To this end, we propose a geometry-aware push-grasp synergy framework that leverages point cloud data to integrate grasp and push evaluation. Specifically, the grasp evaluation module analyzes the geometric relationship between the gripper's point cloud and the points enclosed within its closing region to determine grasp feasibility and stability. Guided by this, the push evaluation module predicts how pushing actions influence future graspable space, enabling the robot to select actions that reliably transform non-graspable states into graspable ones. By jointly reasoning about geometry in both grasping and pushing, our framework achieves safer, more efficient, and more reliable manipulation in cluttered settings. Our method is extensively tested in simulation and real-world environments in various scenarios. Experimental results demonstrate that our model generalizes well to real-world scenes and unseen objects.
• Abstract（参考訳）: ターゲットオブジェクトをグラッピングすることはロボット操作の基本的な技術であるが、積み重ねられたり隠されたオブジェクトが混ざり合った環境では、シングルステップグリップが不十分な場合が多い。 これを解決するために、従来の作業では、把握可能な空間を作るための補助的なアクションとしてプッシュを導入している。 しかし、これらの手法は、シーンの幾何学的情報を無視するので安定性と効率の両方に苦慮することが多く、これは把握された堅牢性を評価し、プッシュアクションが安全かつ効果的であることを保証するのに不可欠である。 そこで本研究では,ポイントクラウドデータを活用して把握とプッシュ評価を統合する,幾何対応のプッシュグラス・シナジー・フレームワークを提案する。 具体的には、グリップ評価モジュールは、グリップの点雲とその閉じた領域内の点との間の幾何学的関係を分析し、グリップの実現可能性と安定性を判定する。 これにより、プッシュ評価モジュールは、プッシュアクションが将来の把握可能な空間にどのように影響するかを予測する。 把持と押圧の両方において幾何学を共同で推論することにより, このフレームワークは, より安全で, より効率的で, より信頼性の高い, 散在した環境下での操作を実現する。 本手法は様々なシナリオにおいてシミュレーションおよび実環境において広範囲に検証される。 実験結果から,本モデルは実世界のシーンや見えない物体によく応用できることが示された。

関連論文リスト

• Corner-Grasp: Multi-Action Grasp Detection and Active Gripper Adaptation for Grasping in Cluttered Environments [0.3565151496245486]
  本研究では, 散在したビンピッキング環境において, 効果的に把握する手法を提案する。 我々は吸引と指の握りを併用した多機能グリップを用いた。 また,グリップハードウェアと周辺環境との衝突を最小限に抑えるために,アクティブグリップの適応戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-02T16:12:28Z)
• Articulated Object Manipulation using Online Axis Estimation with SAM2-Based Tracking [57.942404069484134]
  アーティキュレートされたオブジェクト操作は、オブジェクトの軸を慎重に考慮する必要がある、正確なオブジェクトインタラクションを必要とする。 従来の研究では、対話的な知覚を用いて関節のある物体を操作するが、通常、オープンループのアプローチは相互作用のダイナミクスを見渡すことに悩まされる。 本稿では,対話的知覚と3次元点雲からのオンライン軸推定を統合したクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)
• Learning Extrinsic Dexterity with Parameterized Manipulation Primitives [8.7221770019454]
  我々は、オブジェクトのポーズを変えるために環境を利用する一連のアクションを学習する。 我々のアプローチは、オブジェクトとグリップと環境の間の相互作用を利用してオブジェクトの状態を制御することができる。 拘束されたテーブルトップワークスペースから様々な重量,形状,摩擦特性の箱状物体を選別する手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-26T21:28:23Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。