論文の概要: Rotation-Aware Point-Cloud Embeddings for Vision-Based In-Hand Reorientation

• arxiv url: http://arxiv.org/abs/2606.21788v1
• Date: Fri, 19 Jun 2026 22:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:11:37.950934
• Title: Rotation-Aware Point-Cloud Embeddings for Vision-Based In-Hand Reorientation
• Title（参考訳）: 回転認識型イン・ハンド・リオリエンテーションのためのポイント・クラウド・エンベディング
• Authors: Yashom Dighe, Karthik Dantu,
• Abstract要約: ポイントクラウドのゴールは、巧妙な手作業の再配置を特定する手段を提供する。 現在の雲とゴールの雲は秩序がなく、独立してサンプリングされ、しばしば可視性に依存している。 我々は、ユークリッド潜航距離をSO(3)測地誤差に調整した回転対応の点雲埋め込みを学習する。
• 参考スコア（独自算出の注目度）: 7.551200858185237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point-cloud goals provide a direct way to specify dexterous in-hand reorientation: instead of defining an object-specific pose frame or estimating 6D pose at test time, the policy is given the desired 3D geometry of the object. Yet raw point-cloud goal conditioning is poorly conditioned for policy learning. Current and goal clouds are unordered, independently sampled, and often visibility-dependent, so their discrepancy entangles object rotation with permutation, resampling, and unstable correspondence structure. For this reason, prior point-cloud manipulation methods typically add structure outside the representation itself, such as explicit pose or relative-pose inputs, dense flow features, or distillation from privileged teachers. We close this gap by learning a rotation-aware point-cloud embedding whose Euclidean latent distance is calibrated to the SO(3) geodesic error between object orientations. The resulting representation turns current-goal comparison into a smooth control signal, allowing a model-free RL policy to act from current and goal point-cloud embeddings, proprioception, and centroid metadata, without object pose, relative pose, dense flow, or teacher-action supervision. In in-hand reorientation experiments, this interface matches privileged-state and distillation-based baselines while avoiding brittle test-time computation of structured pose or flow inputs. These results suggest that point-cloud goals become practical for this task when the representation, rather than an external module, encodes the task-relevant geometry of rotation. We also show evidence that generic visual point-cloud pretraining is insufficient for such a current-goal comparison because it discards the task-relevant state and preserves only shape features.
• Abstract（参考訳）: オブジェクト固有のポーズフレームを定義したり、テスト時に6Dのポーズを推定する代わりに、ポリシーはオブジェクトの所望の3D幾何を与えられる。 しかし、生のポイントクラウドのゴール条件付けは、政策学習には不十分である。 現在の雲とゴール雲は無秩序で、独立にサンプリングされ、しばしば可視性に依存しているため、それらの差は、置換、再サンプリング、不安定な対応構造で物体の回転を絡ませる。 このため、従来のポイントクラウド操作手法は、明示的なポーズや相対的な入力、密流の特徴、特権教師からの蒸留など、表現自体の外部に構造を追加するのが一般的である。 我々は、ユークリッド潜航距離をSO(3)測地誤差に調整した回転認識点雲埋め込みを学習することにより、このギャップを埋める。 結果として得られた表現は、現在のゴール比較を滑らかな制御信号に変換し、モデルフリーのRLポリシーは、オブジェクトポーズ、相対的なポーズ、密流、教師の行動監督なしに、現在のポイントクラウドの埋め込み、プロプレセプション、およびセントロイドメタデータから作用する。 In-hand reorientation experiment, this interface matched-state and distillation-based baselines while avoid brittle test-time compute of structured pose or flow inputs。 これらの結果から,外部モジュールではなく,タスク関連回転幾何を符号化することで,ポイントクラウド目標が現実的になる可能性が示唆された。 また,タスク関連状態を破棄し,形状の特徴のみを保持するため,現状との比較では汎用的な視覚的ポイントクラウド事前学習が不十分であることを示す。

関連論文リスト

• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• Surfel-based 3D Registration with Equivariant SE(3) Features [34.796697445601914]
  ポイントクラウドの登録は、リモートセンシングやデジタル遺産のための3D再構成において、複数のローカルポイントクラウドの3D整合性を確保するために不可欠である。 本稿では,これらの問題に対処するための新しいサーベイルベースのポーズ学習回帰手法を提案する。 本手法は,仮想視点カメラパラメータを用いてLidar点雲からサーベイルを初期化し,明示的な$mathbfSE(3)$等変特徴を学習する。
  論文  参考訳（メタデータ） (2025-08-28T13:53:44Z)
• A Representation Separation Perspective to Correspondences-free Unsupervised 3D Point Cloud Registration [40.12490804387776]
  リモートセンシング分野における3Dポイントクラウドの登録は、ディープラーニングベースの手法によって大幅に進歩している。 表現分離の観点から,対応のない非教師なしポイントクラウド登録(UPCR)手法を提案する。 提案手法は, ポーズ不変表現の障害を除去するだけでなく, 部分対部分点の雲やノイズに対して頑健である。
  論文  参考訳（メタデータ） (2022-03-24T17:50:19Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Optimal Target Shape for LiDAR Pose Estimation [1.9048510647598205]
  ターゲットは、乱雑な環境やテクスチャのない環境でのオブジェクト追跡のような問題に不可欠である。 対称形状は、スパースセンサーデータを使用する際に曖昧さを生じさせる。 本稿では,LiDAR点雲のポーズあいまいさを除去するためにターゲット形状を最適化するという概念を紹介する。
  論文  参考訳（メタデータ） (2021-09-02T19:18:24Z)
• SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
  点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。 本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。 学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-10T15:16:14Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• Deep Positional and Relational Feature Learning for Rotation-Invariant Point Cloud Analysis [107.9979381402172]
  点雲解析のための回転不変深層ネットワークを提案する。 ネットワークは階層的であり、位置的特徴埋め込みブロックと関係的特徴埋め込みブロックという2つのモジュールに依存している。 実験では、ベンチマークデータセット上で最先端の分類とセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2020-11-18T04:16:51Z)

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。