論文の概要: BiDexGrasp: Coordinated Bimanual Dexterous Grasps across Object Geometries and Sizes

• arxiv url: http://arxiv.org/abs/2604.06589v1
• Date: Wed, 08 Apr 2026 02:17:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.299078
• Title: BiDexGrasp: Coordinated Bimanual Dexterous Grasps across Object Geometries and Sizes
• Title（参考訳）: BiDexGrasp: オブジェクトのジオメトリとサイズにまたがる2次元デキスタラスグラフのコーディネート
• Authors: Mu Lin, Yi-Lin Wei, Jiaxuan Chen, Yuhao Lin, Shuoyu Chen, Jiangran Lyu, Jiayi Chen, Yansong Tang, He Wang, Wei-Shi Zheng,
• Abstract要約: BiDexGraspは、大規模な2次元デキスタラスグリップデータセットと、新しい生成モデルから構成される。 本研究では,30cmから80cm程度の大きさの6351個の多種多様な物体からなる大規模2次元デキスタス・グリップ・データセットを構築した。 本稿では,2次元適応型および幾何サイズ適応型デキスタラスグルーピング生成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）: 64.2030401965582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bimanual dexterous grasping is a fundamental and promising area in robotics, yet its progress is constrained by the lack of comprehensive datasets and powerful generation models. In this work, we propose BiDexGrasp, consists of a large-scale bimanual dexterous grasp dataset and a novel generation model. For dataset, we propose a novel bimanual grasp synthesis pipeline to efficiently annotate physically feasible data for dataset construction. This pipeline addresses the challenges of high-dimensional bimanual grasping through a two-stage synthesis strategy of efficient region-based grasp initialization and decoupled force-closure grasp optimization. Powered by this pipeline, we construct a large-scale bimanual dexterous grasp dataset, comprising 6351 diverse objects with sizes ranging from 30 to 80 cm, along with 9.7 million annotated grasp data. Based on this dataset, we further introduce a bimanual-coordinated and geometry-size-adaptive dexterous grasping generation framework. The framework lies in two key designs: a bimanual coordination module and a geometry-size-adaptive grasp generation strategy to generate coordinated and high-quality grasps on unseen objects. Extensive experiments conducted in both simulation and real world demonstrate the superior performance of our proposed data synthesis pipeline and learned generative framework.
• Abstract（参考訳）: 両義足の把握はロボット工学の基本的で有望な分野であるが、その進歩は包括的データセットと強力な生成モデルが欠如していることに制約されている。 本研究では,大規模な2次元デキスタラス・グリップ・データセットと新しい生成モデルからなるBiDexGraspを提案する。 データセット構築のための物理的に実現可能なデータを効率的にアノテートするバイマングリップ合成パイプラインを提案する。 このパイプラインは、効率的な領域ベースグリップ初期化とデカップリングされた力-閉鎖グリップ最適化の2段階合成戦略を通じて、高次元バイマングリップの課題に対処する。 このパイプラインによって、30cmから80cmの大きさの6351の多種多様なオブジェクトと970万の注釈付きグリップデータからなる、大規模な2次元のデキスタラスなグリップデータセットを構築した。 さらに,このデータセットに基づいて,2次元座標と幾何サイズ適応なデキスタラス把握生成フレームワークを導入する。 このフレームワークは2つの重要な設計で構成されている: 双対座標モジュールと幾何学的サイズに適応したグリップ生成戦略で、未確認の物体に対して協調的かつ高品質なグリップを生成する。 シミュレーションと実世界の両方で実施された大規模な実験は、提案したデータ合成パイプラインと学習された生成フレームワークの優れた性能を示す。

関連論文リスト

• UltraDexGrasp: Learning Universal Dexterous Grasping for Bimanual Robots with Synthetic Data [70.96218513410454]
  両面ロボットを用いた普遍的デクスタラスグリップのためのフレームワークであるUltraDexGraspを紹介する。 提案したデータ生成パイプラインは、最適化に基づくグリップ合成と計画に基づくデモ生成を統合する。 我々はUltraDexGrasp-20Mに基づいて、点雲を入力とし、一方向の注意を通してシーン特徴を集約し、制御コマンドを予測する、シンプルで効果的な把握ポリシーを開発した。
  論文  参考訳（メタデータ） (2026-03-05T15:54:21Z)
• RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robust Bimanual Robotic Manipulation [52.2244588424002]
  我々は,多様かつ現実的なデータの自動生成のためのスケーラブルなフレームワークであるRoboTwin 2.0を紹介する。 コアとなるRoboTwin-ODは、セマンティックおよび操作関連アノテーションを備えた147カテゴリにわたる771インスタンスのオブジェクトライブラリである。 sim-to-real転送を改善するために、RoboTwin 2.0は5つの軸に沿って構造化された領域ランダム化を適用する。
  論文  参考訳（メタデータ） (2025-06-22T16:26:53Z)
• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• Paved2Paradise: Cost-Effective and Scalable LiDAR Simulation by Factoring the Real World [0.2630859234884723]
  Paved2Paradiseは、スクラッチからライダーデータセットを生成するためのシンプルで費用対効果の高いアプローチである。 Paved2Paradise合成データのみを訓練したモデルが果樹園におけるヒトの検出に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T12:23:07Z)
• DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation [10.783992625475081]
  本稿では,ロボットデキスタラスグルーピングのための大規模シミュレーションデータセットDexGraspNetを提案する。 私たちはShadowHandという、ロボット工学でよく見られる豪華なグリップを使って、5355のオブジェクトに対して123万のグリップを生成します。 GraspIt!が生成した以前のデータセットと比較すると、私たちのデータセットはオブジェクトやグリップだけでなく、多様性や品質も高くなります。
  論文  参考訳（メタデータ） (2022-10-06T06:09:16Z)
• DA$^2$ Dataset: Toward Dexterity-Aware Dual-Arm Grasping [58.48762955493929]
  DA$2$は、任意の大物体に対して最適な2次元グリップペアを生成するための、最初の大規模デュアルアームデキスタリティ対応データセットである。 データセットには、6000以上のオブジェクトから生成される約9万組のパラレルジャウグリップが含まれている。
  論文  参考訳（メタデータ） (2022-07-31T10:02:27Z)
• THE Benchmark: Transferable Representation Learning for Monocular Height Estimation [25.872962101146115]
  クロスデータセット設定における高さ推定モデルの転送可能性を検討するための新しいベンチマークデータセットを提案する。 このベンチマークデータセットには、新しく提案された大規模合成データセット、新たに収集された実世界のデータセット、および異なる都市の既存の4つのデータセットが含まれている。 本論文では、高さ推定タスクにおけるスケール変量問題に対処するウィンドウベース変換器を強化するためのスケール変形可能な畳み込みモジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-30T09:40:26Z)
• ACRONYM: A Large-Scale Grasp Dataset Based on Simulation [64.37675024289857]
  ACRONYMは物理シミュレーションに基づくロボットグリップ計画のためのデータセットである。 データセットには17.7Mのパラレルジャウグリップが含まれ、262の異なるカテゴリから8872のオブジェクトにまたがっている。 我々は、この大規模で多様なデータセットの価値を、2つの最先端の学習に基づく把握計画アルゴリズムの訓練に利用することで示す。
  論文  参考訳（メタデータ） (2020-11-18T23:24:00Z)

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。