論文の概要: GCNGrasp-VP: Affordance-Guided View Planning for Efficient Task-Oriented Grasping

• arxiv url: http://arxiv.org/abs/2606.19091v1
• Date: Wed, 17 Jun 2026 13:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.19044
• Title: GCNGrasp-VP: Affordance-Guided View Planning for Efficient Task-Oriented Grasping
• Title（参考訳）: GCNGrasp-VP: タスク指向の効率的なグラフ作成のためのAffordance-Guided View Planning
• Authors: Zanjia Tong, Wenlong Dong, Chengjie Zhang, Hong Zhang,
• Abstract要約: GCNGrasp-VPは、アベイランスフィールド予測とアクティブなビュープランニングを統合した効率的なフレームワークである。 本手法は,一視点調整のみで,シーン不確実性駆動ベースラインを著しく上回る。
• 参考スコア（独自算出の注目度）: 5.388304847250797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task-oriented grasping performance degrades significantly when object views suffer from occlusions. Existing task-oriented grasping methods typically assume task-relevant regions are visible in the initial frame, while view planning approaches enable active perception but often ignore task semantics and rely on time-consuming scene reconstruction. To address these limitations, we present GCNGrasp-VP, an efficient framework integrating affordance field prediction with active view planning. Central to this framework is GCNGrasp-v2, a task-oriented grasp model that simultaneously supports grasp evaluation and affordance field prediction, achieving constant-time inference complexity. Leveraging this capability, our Affordance-guided View Planner (Affordance-VP) utilizes the affordance field as an information gain metric to guide camera observation of task-relevant regions without requiring scene reconstruction. View planning results show that our method significantly outperforms scene-uncertainty-driven baselines with only one view adjustment. Real-world validation further confirms substantial improvements in grasp success rates for single-object scenarios while maintaining millisecond-level computational latency. Code and models are available at https://github.com/Instinct323/GCNGrasp-VP.
• Abstract（参考訳）: タスク指向の把握パフォーマンスは、オブジェクトビューがオクルージョンに苦しむと大幅に低下する。 既存のタスク指向の把握手法は、通常、タスク関連領域が初期フレームで見えると仮定するが、ビュープランニングアプローチはアクティブな認識を可能にするが、タスクセマンティクスを無視し、時間を要するシーン再構築に依存することが多い。 これらの制約に対処するため、能動的ビュープランニングとアベイランス場予測を統合した効率的なフレームワークであるGCNGrasp-VPを提案する。 このフレームワークの中心はGCNGrasp-v2であり、これはタスク指向の把握モデルであり、把握評価とアベイランス場予測を同時にサポートし、一定時間推論の複雑さを達成する。 この能力を生かして、Affordance-guided View Planner (Affordance-VP) は、現場の再構築を必要とせず、タスク関連領域のカメラ観察を誘導するための情報収集指標として、アベイランス・フィールドを利用する。 ビュープランニングの結果,この手法は1つのビュー調整のみで,シーン不確実性駆動ベースラインを著しく上回ることがわかった。 実世界の検証は、ミリ秒レベルの計算遅延を維持しながら、単一オブジェクトシナリオにおける成功率の把握を大幅に改善することを確認する。 コードとモデルはhttps://github.com/Instinct323/GCNGrasp-VPで入手できる。

関連論文リスト

• MSACT: Multistage Spatial Alignment for Stable Low-Latency Fine Manipulation [4.439585594082787]
  実世界の微視的操作、特に双方向操作では、低レイテンシ制御と安定した視覚的位置決めが必要となる。 ACTのようなアクションチャンキングポリシーは、低レイテンシの実行とデータ効率を可能にするが、空間的一貫性を明示することなく、密集した視覚的特徴に依存している。 安定な2次元アテンションポイントを抽出し,時間的アライメントロスを伴う将来のアテンションシーケンスを共同で予測する多段階空間アテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2026-05-01T07:35:15Z)
• Exploring the Temporal Consistency for Point-Level Weakly-Supervised Temporal Action Localization [66.80402022104074]
  ポイント教師付きテンポラルアクションローカライゼーション(PTAL)は、軽快なフレームアノテートパラダイム(textiti.e.、アクションインスタンスごとに1フレームのみをラベル付けする)を採用して、教師なしビデオ内のアクションインスタンスを見つけるようモデルを訓練する。 既存のアプローチのほとんどは、アクションのフレーム間の時間的関係を明確にモデル化することなく、ポイントトリミングされたスニペットレベルの分類だけでモデルのタスクヘッドを設計する。 本稿では,行動ローカライゼーションのための時間的理解能力を高めるために,ポイントインスペクションを完全に活用するマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-05T14:46:21Z)
• PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
  PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。 本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
  論文  参考訳（メタデータ） (2025-12-03T12:14:29Z)
• Learning to See and Act: Task-Aware View Planning for Robotic Manipulation [88.37482534484627]
  Task-Aware View Planning (TAVP)は、アクティブなビュープランニングとタスク固有の表現学習を統合するために設計されたフレームワークである。 提案したTAVPモデルは、最先端の固定ビューアプローチよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-08-07T09:21:20Z)
• Masked Temporal Interpolation Diffusion for Procedure Planning in Instructional Videos [32.71627274876863]
  本稿では,授業ビデオにおけるプロシージャ計画の課題に対処し,開始と終了の視覚的観察から協調的かつタスクに沿ったアクションシーケンスを生成することを目的とする。 これまでの研究は主に、観察された状態と観察されていない行動の間のギャップを埋めるためにテキストレベルの監督に依存してきたが、行動間の複雑な時間的関係を捉えるのに苦労した。 本研究では,拡散モデル内に潜時空間時間モジュールを導入した仮設仮設時間補間拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-04T08:54:59Z)
• Joint Visual-Temporal Embedding for Unsupervised Learning of Actions in Untrimmed Sequences [25.299599341774204]
  本稿では,共同視覚-時間埋め込み空間に基づく映像系列の教師なし学習手法を提案する。 提案手法は、連続したビデオフレームに存在する視覚的手がかりから有意義な視覚的、時間的埋め込みを提供することができることを示す。
  論文  参考訳（メタデータ） (2020-01-29T22:51:06Z)

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。