論文の概要: 2D and 3D Grasp Planners for the GET Asymmetrical Gripper

• arxiv url: http://arxiv.org/abs/2604.26212v1
• Date: Wed, 29 Apr 2026 01:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.214419
• Title: 2D and 3D Grasp Planners for the GET Asymmetrical Gripper
• Title（参考訳）: GET非対称グリパーのための2次元および3次元グリッププランナ
• Abstract要約: 本稿では,単視点RGB-D画像から操作するGET非対称グリップの高速グリッププランナであるGET-2D-1.0について,フェラーリ・キャニー計量と新しいサンプリング戦略を用いて紹介する。 身体実験によるベースラインに対する把握プランナーの双方の評価を行い, GET-2D-1.0は昇降成功, 揺動生存, 耐力性を40%以上向上できることを示した。 GET-3D-1.0による実験では、リフト成功と揺動生存におけるGET-2D-1.0に比べてわずかに改善されているが、計算コストが高く、平均17秒の計画が683と比べて平均17秒である。
• 参考スコア（独自算出の注目度）: 16.27724597084775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce GET-2D-1.0, a fast grasp planner for the GET asymmetrical gripper that operates from a single-view RGB-D image, using the Ferrari-Canny metric and a novel sampling strategy, and GET-3D-1.0, a mesh-based method using a 3D gripper model and ray-tracing. We evaluate both grasp planners against baselines with physical experiments, which suggest that GET-2D-1.0 can improve over a bounding box baseline by over 40% in lift success, shake survival, and force resistance. Experiments with GET-3D-1.0 suggest slight improvement compared to GET-2D-1.0 on lift success and shake survival, but are more computationally expensive, averaging 17 seconds of planning compared to 683 ms for GET-2D-1.0.
• Abstract（参考訳）: 本稿では、フェラーリ・キャニー計量と新しいサンプリング戦略を用いて、一視点のRGB-D画像から操作するGET非対称グリップパーの高速グリッププランナーであるGET-2D-1.0と、3Dグリップパーモデルとレイトレーシングを用いたメッシュベースのGET-3D-1.0を紹介する。 身体実験によるベースラインに対する把握プランナーの双方の評価を行い, 昇降成功, 揺動生存, 力抵抗の40%以上でGET-2D-1.0はバウンディングボックスベースラインよりも改善できることを示した。 GET-3D-1.0による実験では、リフト成功と揺動生存においてGET-2D-1.0に比べわずかに改善されているが、より計算コストが高く、GET-2D-1.0では平均17秒の計画が683ミリ秒であった。

関連論文リスト

• SOFTMAP: Sim2Real Soft Robot Forward Modeling via Topological Mesh Alignment and Physics Prior [21.30232105970865]
  SOFTMAPは、腱作動型ソフトフィンガーマニピュレータのリアルタイム3次元フォワードモデリングのためのsim-real learning frameworkである。 我々は、シミュレーションにおいて、シミュレーションと物理ハードウェアの両方でSOFTMAPを評価し、チャンファー距離0.389mmの形状予測精度を達成した。 この結果から,SOFTMAPはソフトマニピュレータの3次元フォワードモデリングと制御にデータ効率のよいアプローチを提供することがわかった。
  論文  参考訳（メタデータ） (2026-03-19T18:21:44Z)
• Halfway to 3D: Ensembling 2.5D and 3D Models for Robust COVID-19 CT Diagnosis [5.645096759437525]
  胸部CT画像から新型コロナウイルス検出・疾患分類を行うための深層学習フレームワークを提案する。 このフレームワークは2.5Dと3Dの両方の表現を統合し、補完的なスライスレベルとボリューム情報をキャプチャする。 PHAROS-AIF-MIHベンチマークの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-16T05:24:10Z)
• PlaneCycle: Training-Free 2D-to-3D Lifting of Foundation Models Without Adapters [8.890822174028315]
  PlaneCycleは、アーキテクチャに依存しない基礎モデルの2D-to-3Dリフトのための、トレーニングフリーでアダプタフリーなオペレータである。 PlaneCycleはオリジナルの2Dバックボーンを再利用し、HW、DW、DH平面に空間アグリゲーションを循環的に分散する。
  論文  参考訳（メタデータ） (2026-03-04T15:23:30Z)
• BridgeVLA: Input-Output Alignment for Efficient 3D Manipulation Learning with Vision-Language Models [37.699828966838986]
  BridgeVLAは、3D入力を複数の2D画像に投影し、VLMバックボーンとの入力アライメントを保証する新しい3D VLAモデルである。 アクション予測に2Dヒートマップを使用し、一貫した2次元画像空間内の入力空間と出力空間を統一する。 10以上のタスクで96.8%の成功率を達成することができ、1タスクにつき3つの軌道しか持たず、異常なサンプル効率を誇示している。
  論文  参考訳（メタデータ） (2025-06-09T17:36:34Z)
• From Thousands to Billions: 3D Visual Language Grounding via Render-Supervised Distillation from 2D VLMs [64.28181017898369]
  LIFT-GSはポイントクラウドから3Dガウス表現を予測し、予測された言語条件の3Dマスクを2Dビューにレンダリングする。 LIFT-GSは、オープン語彙のインスタンスセグメンテーションで25.7%のmAPで最先端の結果を達成する。 注目すべきは、事前トレーニングがデータセットの微調整を2倍にし、強力なスケーリング特性を示すことだ。
  論文  参考訳（メタデータ） (2025-02-27T18:59:11Z)
• TAPVid-3D: A Benchmark for Tracking Any Point in 3D [63.060421798990845]
  我々は,3Dにおける任意の点の追跡作業を評価するための新しいベンチマークTAPVid-3Dを導入する。 このベンチマークは、モノクロビデオから正確な3Dの動きと表面の変形を理解する能力を改善するためのガイドポストとして機能する。
  論文  参考訳（メタデータ） (2024-07-08T13:28:47Z)
• MiniGPT-3D: Efficiently Aligning 3D Point Clouds with Large Language Models using 2D Priors [22.599665818160602]
  MiniGPT-3Dは効率よく強力な3D-LLMで、1GTX 3090でわずか27時間トレーニングしながら複数のSOTA結果を達成する。 提案手法では,新たな4段階学習手法を導入するとともに,クエリエキスパートモジュールの混在を考慮し,モダリティアライメントの手法を提案する。 実験の結果,MiniGPT-3Dは3次元オブジェクト分類とキャプションタスクにおいてSOTAを実現し,トレーニングコストを大幅に削減した。
  論文  参考訳（メタデータ） (2024-05-02T16:04:30Z)
• UniPAD: A Universal Pre-training Paradigm for Autonomous Driving [74.34701012543968]
  3次元微分レンダリングを応用した新しい自己教師型学習パラダイムUniPADを提案する。 UniPADは暗黙的に3D空間を符号化し、連続した3D形状の構造の再構築を容易にする。 本手法はライダーカメラ,カメラカメラ,ライダーカメラベースラインを9.1,7.7,6.9 NDSで大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-12T14:39:58Z)
• ULIP-2: Towards Scalable Multimodal Pre-training for 3D Understanding [96.95120198412395]
  本稿では,3次元形状の全体言語記述を自動的に生成するトリオモーダル事前学習フレームワークを提案する。 入力として3Dデータしか必要とせず、手動の3Dアノテーションを必要としないため、大規模なデータセットにスケーラブルである。 NNとShapeNetの2つの大規模3Dデータセットの実験を行い、これらを3Dポイントクラウド、キャプション、トレーニングのための言語という3つのモーダルデータセットで拡張する。 実験により、NN-2は、ゼロショット3D分類、ファインタニングによる標準3D分類、3D3Dという3つの下流タスクにおいて有意義な利点を示すことが示された。
  論文  参考訳（メタデータ） (2023-05-14T23:14:09Z)
• Diffusion-Based 3D Human Pose Estimation with Multi-Hypothesis Aggregation [64.874000550443]
  ジョイントワイズ・リジェクション・ベース・マルチハイブリッド・アグリゲーション(JPMA)を用いた拡散型3次元ポス推定法を提案する。 提案したJPMAは,D3DPが生成する複数の仮説を1つの3次元ポーズにまとめて実用的に利用する。 提案手法は, 最先端の決定論的アプローチと確率論的アプローチをそれぞれ1.5%, 8.9%上回った。
  論文  参考訳（メタデータ） (2023-03-21T04:00:47Z)
• Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
  本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。 主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。 本稿では,D2S(Deep-to-scale)投影法を提案する。
  論文  参考訳（メタデータ） (2020-10-27T03:31:35Z)

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。