論文の概要: A Hybrid Optimization Framework for Grasp Synthesis under Partial Observations

• arxiv url: http://arxiv.org/abs/2606.18053v1
• Date: Tue, 16 Jun 2026 15:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.512565
• Title: A Hybrid Optimization Framework for Grasp Synthesis under Partial Observations
• Title（参考訳）: 部分観測によるグラフ合成のためのハイブリッド最適化フレームワーク
• Authors: Wenzheng Zhang, Fahira Afzal Maken, Tin Lai, Fabio Ramos,
• Abstract要約: 本稿では,学習に基づくエネルギーベースモデル(EBM)と解析的反復的クローズトポイント(ICP)法を組み合わせたハイブリッドグリップ合成フレームワークを提案する。 5360回のグリップ試行で評価した結果,AnyGrasp (31.1%) と Grasp Pose Detection (48.4%) と AS-ICP (56.6%) を平均成功率60.9% で上回った。 これらの結果は、我々のアプローチの強力な一般化能力を強調し、データ駆動学習と幾何最適化の組み合わせがどちらの制限にもどう対処するかを実証する。
• 参考スコア（独自算出の注目度）: 6.402240471244764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a hybrid grasp synthesis framework that combines a learning-based Energy-Based Model (EBM) with an analytical Iterative Closest Point (ICP) method to generate robust grasps from partially observed point clouds. The learned energy function acts as a prior within a Stein Variational Gradient Descent (SVGD) framework, guiding iterative refinement of grasp configurations. Evaluated on 67 objects with 5,360 grasp attempts, our method achieves an average success rate of 60.9\%, outperforming AnyGrasp (31.1\%) and Grasp Pose Detection (48.4\%) and AS-ICP (56.6\%). These results highlight the strong generalization ability of our approach and demonstrate how combining data-driven learning with geometric optimization addresses the limitations of either strategy in isolation.
• Abstract（参考訳）: 本稿では,学習に基づくエネルギーベースモデル(EBM)と解析的反復的クローズトポイント(ICP)法を組み合わせたハイブリッドグリップ合成フレームワークを提案する。 学習エネルギー関数は、Stein Variational Gradient Descent (SVGD) フレームワークの先行として機能し、把握構成の反復的洗練を導く。 5360回のグリップ試行で67個のオブジェクトを評価し,平均成功率は60.9\%,AnyGrasp(31.1\%),Grasp Pose Detection(48.4\%),AS-ICP(56.6\%)を上回った。 これらの結果は、我々のアプローチの強力な一般化能力を強調し、データ駆動学習と幾何学的最適化の組み合わせが、どちらの戦略も独立して扱う限界にどう対処するかを実証する。

関連論文リスト

• POLO: Preference-Guided Multi-Turn Reinforcement Learning for Lead Optimization [42.47130819230595]
  大規模言語モデル(LLM)は、コンテキスト内学習と命令追従機能を通じて、有望なアプローチを提供する。 分離されたステップではなく、完全な最適化軌道からLLMを学習できるPOLOを提案する。 POLOはシングルプロパティタスクの平均成功率は84%、マルチプロパティタスクの平均成功率は50%である。
  論文  参考訳（メタデータ） (2025-09-26T01:06:58Z)
• A Balanced Approach of Rapid Genetic Exploration and Surrogate Exploitation for Hyperparameter Optimization [0.0]
  本稿では,探索と利用のバランスをとるために,HPO(ハイパーパラメータ最適化)の新たな手法を提案する。 線形サロゲートモデルを遺伝的アルゴリズム(GA)に統合し、複数の戦略をスムーズに統合する。
  論文  参考訳（メタデータ） (2025-04-10T00:59:54Z)
• RL-finetuning LLMs from on- and off-policy data with a single algorithm [53.70731390624718]
  大規模言語モデルを微調整するための新しい強化学習アルゴリズム(AGRO)を提案する。 AGROは生成整合性の概念を利用しており、最適ポリシーはモデルの任意の世代間での整合性の概念を満たすと述べている。 サンプルベースの政策勾配による最適解を求めるアルゴリズムを導出し,その収束に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-03-25T12:52:38Z)
• Layer Pruning with Consensus: A Triple-Win Solution [0.0]
  レイヤ・プルーニングのアプローチは、しばしば、レイヤの複雑な基盤となる特性を完全に捉えない単一の基準に依存します。 本稿では,複数の類似度指標を,コンセンサス基準(Consensus criterion)と呼ばれる低重要層の単一の表現尺度に組み合わせた新しい手法を提案する。 本手法は,低精度低下,高性能化,敵攻撃に対するロバスト性の向上という3つの解を提供する。
  論文  参考訳（メタデータ） (2024-11-21T17:41:27Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Orthogonally Initiated Particle Swarm Optimization with Advanced Mutation for Real-Parameter Optimization [0.04096453902709291]
  本稿では,多角形PSO(orthogonal PSO with Mutation,OPSO-m)と呼ばれる拡張粒子群(PSO)を紹介する。 PSOのための改良された初期Swarmを育むための配列ベースの学習手法を提案し、Swarmベースの最適化アルゴリズムの適応性を大幅に向上させた。 この記事はさらに、人口を正規グループとエリートグループに分割する、アーカイブベースの自己適応学習戦略を提示する。
  論文  参考訳（メタデータ） (2024-05-21T07:16:20Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Semantic Driven Energy based Out-of-Distribution Detection [0.4640835690336652]
  エネルギーベースのOOD法は有望であり、優れた性能を発揮することが証明されている。 本稿では,エンドツーエンドのトレーニングシステムであり,最適化が容易なセマンティックなエネルギーベース手法を提案する。 その結果,我々の新しい手法は,一般的なベンチマーク上でのエネルギーベースモデルとして,外乱検出を強化し,最先端のモデルを実現する。
  論文  参考訳（メタデータ） (2022-08-23T07:40:34Z)
• Provable Stochastic Optimization for Global Contrastive Learning: Small Batch Does Not Harm Performance [53.49803579981569]
  各正の対と全ての負の対をアンカーポイントで対比する、コントラスト学習のグローバルな目的を考える。 SimCLRのような既存のメソッドは、十分な結果を得るために大きなバッチサイズを必要とする。 本稿では,SogCLRという表現のグローバルコントラスト学習を解くためのメモリ効率の最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-24T22:16:53Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)

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。