論文の概要: ShapeGrasp: Simultaneous Visuo-Haptic Shape Completion and Grasping for Improved Robot Manipulation
- arxiv url: http://arxiv.org/abs/2605.02347v1
- Date: Mon, 04 May 2026 08:49:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.197689
- Title: ShapeGrasp: Simultaneous Visuo-Haptic Shape Completion and Grasping for Improved Robot Manipulation
- Title（参考訳）: ShapeGrasp: 改良されたロボットマニピュレーションのための同時ビジュオ・ハプティック形状補完とグラッピング
- Authors: Lukas Rustler, Matej Hoffmann,
- Abstract要約: 提案手法は,暗黙的な表面粘性触覚形状の完成と物理に基づくグリップ計画とを結合した,反復的グリップ・アンド・コンプリートパイプラインである。
1つのRGB-Dビューから、ShapeGraspは完全な形状を推測し、剛体シミュレーションにより候補のグリップを生成し、最も有効なグリップを実行する。
実世界におけるShapeGraspの評価には,2つの異なるロボットとグリップを用いた。
- 参考スコア（独自算出の注目度）: 3.415147604573136
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humans grasp unfamiliar objects by combining an initial visual estimate with tactile and proprioceptive feedback during interaction. We present ShapeGrasp, a robotic implementation of this approach. The proposed method is an iterative grasp-and-complete pipeline that couples implicit surface visuo-haptic shape completion (creation of full 3D shape from partial information) with physics-based grasp planning. From a single RGB-D view, ShapeGrasp infers a complete shape (point cloud or triangular mesh), generates candidate grasps via rigid-body simulation, and executes the best feasible grasp. Each grasp attempt yields additional geometric constraints -- tactile surface contacts and space occupied by the gripper body -- which are fused to update the object shape. Failures trigger pose re-estimation and regrasping using the refined shape. We evaluate ShapeGrasp in the real world using two different robots and grippers. To the best of our knowledge, this is the first approach that updates shape representations following a real-world grasp. We achieved superior results over baselines for both grippers (grasp success rate of 84% with a three-finger gripper and 91% with a two-finger gripper), while improving the 3D shape reconstruction quality in all evaluation metrics used.
- Abstract（参考訳）: 人間は、初期の視覚的推定と触覚と受容的フィードバックを組み合わせることで、見慣れない物体をつかむ。
本稿では,このアプローチのロボットによる実装であるShapeGraspを紹介する。
提案手法は, 暗黙的な表面粘性触覚形状の完成(部分的情報による完全な3次元形状の創出)と, 物理に基づく把握計画とを結合した, 反復的グリップ・アンド・コンプリートパイプラインである。
1つのRGB-Dビューから、ShapeGraspは完全な形状(点雲または三角形メッシュ)を推論し、剛体シミュレーションによって候補のグリップを生成し、最も有効なグリップを実行する。
それぞれのグリップ試行は、さらに幾何学的な制約 -- 触覚面の接触とグリップ本体が占有する空間 -- を生じさせ、オブジェクトの形状を更新する。
失敗は、精製された形状を使って再見積と再彫刻をトリガーする。
実世界におけるShapeGraspの評価には,2つの異なるロボットとグリップを用いた。
我々の知る限りでは、これは現実世界の把握に従って形状表現を更新する最初のアプローチである。
両グリップのベースライン(3指グリップで84%,2指グリップで91%)よりも優れた結果を得た。
関連論文リスト
- Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。
本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。
我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
論文 参考訳（メタデータ） (2026-02-27T08:54:20Z) - WIR3D: Visually-Informed and Geometry-Aware 3D Shape Abstraction [13.645442589551354]
WIR3Dは、3Dで視覚的に意味のある曲線のスパースセットを通して3D形状を抽象化する技術である。
ベジエ曲線のパラメータを最適化し、それらが幾何学的特徴と健全な視覚的特徴の両方を忠実に表現する。
形状の広いデータセットに対して, 形状の抽象化を行う手法をうまく適用した。
論文 参考訳（メタデータ） (2025-05-07T21:28:05Z) - PCF-Grasp: Converting Point Completion to Geometry Feature to Enhance 6-DoF Grasp [14.909551737430473]
本稿では、6-DoFグリップネットワークをトレーニングするために、ポイント完了結果をオブジェクト形状の特徴として変換する新しい6-DoFグリップフレームワークを提案する。
本手法は実世界の実験において最先端の手法よりも17.8%の成功率を達成する。
論文 参考訳（メタデータ） (2025-04-22T23:37:05Z) - Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。
具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
論文 参考訳（メタデータ） (2023-12-17T04:50:24Z) - Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。
以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。
本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
論文 参考訳（メタデータ） (2022-04-09T03:46:18Z) - Detailed Avatar Recovery from Single Image [50.82102098057822]
本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。
階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。
本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
論文 参考訳（メタデータ） (2021-08-06T03:51:26Z) - From Points to Multi-Object 3D Reconstruction [71.17445805257196]
単一のRGB画像から複数の3Dオブジェクトを検出し再構成する方法を提案する。
キーポイント検出器は、オブジェクトを中心点としてローカライズし、9-DoF境界ボックスや3D形状を含む全てのオブジェクト特性を直接予測する。
提示されたアプローチは、軽量な再構築を単一ステージで実行し、リアルタイム能力を持ち、完全に微分可能で、エンドツーエンドのトレーナーブルである。
論文 参考訳（メタデータ） (2020-12-21T18:52:21Z) - Learning 3D Human Shape and Pose from Dense Body Parts [117.46290013548533]
本研究では,3次元の人体形状を学習し,身体部分の密接な対応からポーズをとるために,分解・集約ネットワーク(DaNet)を提案する。
ローカルストリームからのメッセージは集約され、回転ベースのポーズの堅牢な予測が強化される。
提案手法は,Human3.6M,UP3D,COCO,3DPWを含む屋内および実世界のデータセットで検証される。
論文 参考訳（メタデータ） (2019-12-31T15:09:51Z)
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。