論文の概要: EquiDexFlow: Contact-Grounded SE(3)-Equivariant Dexterous Grasp Generative Flows
- arxiv url: http://arxiv.org/abs/2606.12728v2
- Date: Fri, 12 Jun 2026 08:41:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 13:53:03.59332
- Title: EquiDexFlow: Contact-Grounded SE(3)-Equivariant Dexterous Grasp Generative Flows
- Title（参考訳）: EquiDex Flow: 接触型SE(3)-等変Dxterous Grasp生成流
- Authors: Clinton Enwerem, John S. Baras, Calin Belta,
- Abstract要約: EquiDexFlowは、手首のポーズ、関節角、指先接触、表面正常、物体の点雲からの接触力を予測する。
我々は16-DoFアレッグロハンドのために81個の物体にまたがる8,100個の力閉鎖グリップを訓練した。
本モデルでは, 摩擦破壊がゼロ, 合成スコアが最高, レンチ残差が最低となる。
- 参考スコア（独自算出の注目度）: 5.99447754429793
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Most learned dexterous grasp generators relegate contact forces to a downstream verification step, so a kinematically-plausible pose can still violate the conditions for a stable physical grasp. We address this with EquiDexFlow, an SE(3)-equivariant flow-matching model that jointly predicts wrist pose, joint angles, fingertip contacts, surface normals, and contact forces from an object point cloud. Our architecture projects contacts onto the object surface and forces into the Coulomb friction cone by construction, so placement and friction compliance hold without loss penalties. We prove end-to-end SE(3) equivariance and verify it empirically over 200 rotations, with wrist residuals below $0.04^\circ$ and exactly zero joint deviation. Trained on 8,100 force-closure grasps across 81 objects for the 16-DoF Allegro Hand, our model achieves zero friction violations, the best composite score, and the lowest wrench residual among all ablation variants. We retarget decoded fingertip contacts to a 16-DoF LEAP Hand via per-finger inverse kinematics, and our hardware-feasible refinement places every joint at least 5% inside its actuator envelope while preserving wrench balance. On the physical robot, retargeted EquiDexFlow-decoded grasps complete open-loop pick-and-hold trials on all six test objects, with every asymmetric object succeeding at both the canonical pose and a $120^\circ$ co-rotation. Videos, code, and checkpoints are available at https://equidexflow.github.io.
- Abstract（参考訳）: ほとんどの学習されたデキスタラス・グリップ・ジェネレータは、接触力を下流の検証ステップに還元するので、キネマティックなポーズは、安定な物理的グリップの条件に反する可能性がある。
EquiDexFlowは、手首のポーズ、関節角、指先接触、表面正規化、物体の点雲からの接触力を共同で予測するSE(3)-equivariant flow-matchingモデルである。
我々の建築プロジェクトは、物体表面に接触し、建設によってクーロン摩擦円錐に強制するので、配置と摩擦コンプライアンスは、損失ペナルティを伴わずに保たれる。
終端SE(3)の等価性を証明し、200回転以上を経験的に検証し、手首残余は0.04^\circ$以下で、正確には関節偏差はゼロである。
16-DoFアレッグロハンドの81個の物体にまたがる8,100個の力遮断グリップを学習し, 摩擦破壊ゼロ, 最高の合成スコア, および全てのアブレーション変種の中で最低レンチ残差を達成した。
我々は、指先接触を16-DoF LEAPハンドにフィンガーごとの逆キネマティクスで再ターゲティングし、ハードウェアで実現可能な改良により、握りバランスを維持しながら、アクチュエータエンベロープ内に少なくとも5%の関節を配置した。
物理的ロボット上では、EquiDexFlowデコードされたリターゲットは、6つのテストオブジェクトすべてに対して完全なオープンループピックアンドホールドトライアルを把握し、すべての非対称オブジェクトは標準ポーズと120^\circ$コローテーションの両方で成功する。
ビデオ、コード、チェックポイントはhttps://equidexflow.github.io.comで入手できる。
関連論文リスト
- MoCapAnything V2: End-to-End Motion Capture for Arbitrary Skeletons [56.68975315643491]
本稿では,ビデオ・ツー・ローテーションとビデオ・ツー・ローテーションを共同で学習し,最適化する,最初のエンドツーエンドフレームワークを提案する。
本手法は, メッシュベースパイプラインの20倍の速度で, 回転誤差を17度から10度, 見えない骨格では6.54度に低減する。
論文 参考訳（メタデータ） (2026-04-30T17:16:38Z) - GraspSense: Physically Grounded Grasp and Grip Planning for a Dexterous Robotic Hand via Language-Guided Perception and Force Maps [2.1645011609137295]
5本の指を持つロボットハンドにおいて,選択と力の調節を把握するためのパイプラインを提案する。
オペレーターコマンドから、システムはターゲットオブジェクトを特定し、SAM3Dを使って3D形状を再構成し、モデルをIsaac Simにインポートする。
物理インフォームド幾何解析は、各表面位置で許容される最大横接触力を符号化する力マップを計算する。
論文 参考訳（メタデータ） (2026-04-07T10:48:33Z) - Multifingered force-aware control for humanoid robots [5.099311163246841]
マルチフィンガーハンドを用いたロボットプラットフォームにおける力認識制御と力分布について検討する。
我々は、胴体、腕、手首、指の動きに適応し、様々な質量分布や不安定な接触の物体との安定した接触を維持するために再分配力を設計する。
我々は5つのオブジェクトでバランスをとる作業においてフレームワークを検証し、成功率82.7%を達成し、さらに複数のオブジェクトシナリオで評価し、精度80%を達成した。
論文 参考訳（メタデータ） (2026-03-09T09:17:45Z) - Grasp Synthesis Matching From Rigid To Soft Robot Grippers Using Conditional Flow Matching [5.89165586721424]
本稿では,剛性グリップパモデルから軟質フィン線グリップパへのグリップポーズをマッピングするための新しいフレームワークを提案する。
生成モデルである条件付きフローマッチング(CFM)を用いて,この複雑な変換を学習する。
U-Netオートエンコーダは、深度画像からオブジェクトの幾何学上のCFMモデルを条件付け、安定なFin-rayグッパーポーズに対する初期Anygraspのポーズから連続的なマッピングを学習することができる。
論文 参考訳（メタデータ） (2026-02-19T06:12:29Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。
本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-07T15:57:00Z) - DecoupledGaussian: Object-Scene Decoupling for Physics-Based Interaction [21.80091691062415]
DecoupledGaussianは、接触した表面から静止物体を分離する新しいシステムだ。
DecoupledGaussianを総合的なユーザスタディと定量的ベンチマークで検証する。
このシステムは、現実世界の環境におけるオブジェクトやシーンとのデジタルインタラクションを強化し、VR、ロボティクス、自動運転といった産業に恩恵をもたらす。
論文 参考訳（メタデータ） (2025-03-07T14:54:54Z) - GeoTransformer: Fast and Robust Point Cloud Registration with Geometric
Transformer [63.85771838683657]
点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー法は、繰り返し可能なキーポイントの検出をバイパスすることで大きなポテンシャルを示している。
そこで我々は,Geometric Transformer (Geo Transformer) を略して提案し,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習する。
論文 参考訳（メタデータ） (2023-07-25T02:36:04Z) - NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D
Human Pose and Shape Estimation [53.25973084799954]
両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。
NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
論文 参考訳（メタデータ） (2023-05-15T12:13:24Z) - Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。
本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文 参考訳（メタデータ） (2022-02-14T13:26:09Z)
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。