論文の概要: DCGrasp: Distance-aware Controllable Grasp Generation

• arxiv url: http://arxiv.org/abs/2606.29924v1
• Date: Mon, 29 Jun 2026 08:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.119395
• Title: DCGrasp: Distance-aware Controllable Grasp Generation
• Title（参考訳）: DCGrasp: 距離対応制御可能なGrasp生成
• Abstract要約: 我々は,新しいグリップエネルギー項に基づく制御可能なグリップ生成システムDCGraspを提案する。 この用語は、各ハンドから最も近いオブジェクトポイントまでの符号付き距離である距離プロファイルを計算する。 実験の結果,DCGraspはフレキシブルなユーザ制御により,高品質で物理的に妥当なグリップを生成することがわかった。
• 参考スコア（独自算出の注目度）: 64.30284326160826
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generating 3D hand-object interactions is essential for applications in robotics, XR, and synthetic data generation, where flexible controllability and strong generalization to diverse object geometries are required. However, existing methods rarely satisfy these requirements, limiting their practical applicability. We present DCGrasp, a distance-aware controllable grasp generation system built on a novel grasp energy term. This term computes Distance Profile, a signed distance from each hand vertex to the nearest object point, coupled with distance-aware weighting, effectively capturing the semantically similar hand-object interaction in near-contact regions while remaining invariant to object and hand identity. Given various controllable signals, DCGrasp first generates a Distance Profile based on a Diffusion Transformer, together with a corresponding candidate hand pose. We then refine the candidate pose through optimization, enforcing consistency between the optimized hand pose and the generated Distance Profile in near-contact regions. Our experiments show that DCGrasp produces high-quality, physically plausible grasps with flexible user control, generalizing to diverse object and hand shapes and scales. Our work establishes a robust and versatile pipeline for the synthesis of controllable 3D hand-object interactions.
• Abstract（参考訳）: ロボット工学、XR、合成データ生成において、フレキシブルな制御性と多様なオブジェクトジオメトリへの強力な一般化が必要な3Dハンドオブジェクトインタラクションの生成が不可欠である。 しかし、既存の手法がこれらの要件を満たすことは滅多になく、実用性に限界がある。 我々は,新しいグリップエネルギー項に基づく距離対応制御可能なグリップ生成システムDCGraspを提案する。 この用語は、各手頂点から最も近い物体点までの符号付き距離である距離プロファイルを、距離認識重み付けと組み合わせて計算し、オブジェクトと手同一性に不変なまま、ほぼ接触領域における意味的に類似した手オブジェクトの相互作用を効果的に捉える。 様々な制御可能な信号が与えられた後、DCGraspはまず拡散変換器に基づいて、対応するハンドポーズと共に距離プロファイルを生成する。 次に、最適化によって候補ポーズを洗練し、最適化されたハンドポーズと生成した距離プロファイルをほぼ接触領域で整合させる。 実験の結果,DCGraspはフレキシブルなユーザ制御により,高品質で物理的に妥当なグリップを生成し,多様なオブジェクトや手形状やスケールに一般化していることがわかった。 我々の研究は、制御可能な3次元手-物体相互作用を合成するための頑健で汎用的なパイプラインを確立する。

関連論文リスト

• GeoHAT: Geometry-Adaptive Hybrid Action Transformer for Mobile Manipulation [6.488530751190965]
  全体移動操作には移動基地とマニピュレータの調整が必要である。 我々は、シンプルな原理に基づいて構築された、エンドツーエンドの拡散ベースのフレームワークGeoHATを提案する。 ManiSkill-HABシミュレーションベンチマークの実験では、GeoHATが79.3%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-06-11T14:25:09Z)
• GMT: Goal-Conditioned Multimodal Transformer for 6-DOF Object Trajectory Synthesis in 3D Scenes [47.88691731631585]
  GMTは、現実的でゴール指向のオブジェクトトラジェクトリを生成するマルチモーダルトランスフォーマーフレームワークである。 人工的および実世界のベンチマークの実験では、GMTは最先端の人間の動きや人間と物体の相互作用のベースラインより優れていることが示されている。
  論文  参考訳（メタデータ） (2026-03-18T17:54:35Z)
• AffordGrasp: Cross-Modal Diffusion for Affordance-Aware Grasp Synthesis [50.793806818677716]
  AffordGraspは、物理的に安定し、セマンティックに忠実な人間の握りを高精度に生成する。 AffordGraspは、手ポーズの空きを意識した潜在表現を二重条件拡散プロセスに統合する。 AffordGraspはHO-3D, OakInk, GRAB, AffordPoseの4つの命令強化ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-03-09T06:56:35Z)
• FSAG: Enhancing Human-to-Dexterous-Hand Finger-Specific Affordance Grounding via Diffusion Models [11.581489292735418]
  デクサラスグリップ合成は機能的意図と物理的実現性を満たす必要があるが、既存のパイプラインはしばしば洗練からセマンティックグラウンドを分離する。 本研究では、事前学習された生成拡散モデルにおいて、対象中心のセマンティックな事前情報を活用することで、ロボットの把握データ収集を回避できるデータ効率フレームワークを提案する。 この結果は,人間の実演と事前学習した生成モデルによって駆動される,スケーラブルでハードウェアに依存しないデキスタラスな操作への道のりを浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-13T06:08:56Z)
• Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations [71.15185260689928]
  本研究では,人間による実演を必要とせず,合成データから汎用的な手動物体追跡制御系を学習するシステムを提案する。 提案手法は,(1)多種多様な対象物軌跡を合成可能なハンドオブジェクトプランナであるHOPと,(2)強化学習と相互作用模倣学習を通じて合成と物理の伝達をブリッジするハンドオブジェクトトラッカーであるHOTの2つの重要な貢献を行う。
  論文  参考訳（メタデータ） (2025-12-22T17:08:54Z)
• TOUCH: Text-guided Controllable Generation of Free-Form Hand-Object Interactions [66.08264566003048]
  Free-Form HOI Generationは、きめ細かいインテントで調整された制御可能な、多様性があり、物理的に妥当なHOIを生成することを目的としている。 われわれはWildO2を構築した。WildO2は、インターネットビデオから派生した多様なHOIを含む3D HOIデータセットである。 本データセットをベースとしたTOUCHは,多目的手ポーズを生成するための細粒度セマンティック制御を容易にする3段階フレームワークである。
  論文  参考訳（メタデータ） (2025-10-16T16:52:58Z)
• CoDA: Coordinated Diffusion Noise Optimization for Whole-Body Manipulation of Articulated Objects [14.230098033626744]
  人工物体の全身操作は、仮想人間やロボット工学の幅広い応用において、非常に困難な作業である。 本研究では,現実的な全身運動を実現するための新しい拡散雑音最適化フレームワークを提案する。 提案手法は,動作品質と身体的可視性において,既存の手法よりも優れていることを示す広範な実験を行う。
  論文  参考訳（メタデータ） (2025-05-27T17:11:50Z)
• SIGHT: Synthesizing Image-Text Conditioned and Geometry-Guided 3D Hand-Object Trajectories [124.24041272390954]
  手動物体の相互作用をモデル化することは、ロボットと具体化されたAIシステムを前進させる大きな可能性を秘めている。 SIGHTは、1つの画像から現実的で物理的に妥当な3Dハンドオブジェクトインタラクショントラジェクトリを生成することに焦点を当てた,新しいタスクである。 SIGHT-Fusionは,データベースから最もよく似た3Dオブジェクトメッシュを抽出し,この課題に対処する,新しい拡散型画像文条件付き生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-28T20:53:20Z)
• Decomposed Vector-Quantized Variational Autoencoder for Human Grasp Generation [27.206656215734295]
  本稿では,DVQ-VAE(Decomposed Vector-Quantized Variational Autoencoder)を提案する。 部分認識の分解アーキテクチャは、手とオブジェクトの各コンポーネント間のインタラクションをより正確に管理するのに役立つ。 提案モデルでは,4つのベンチマークにおいて,最先端の手法と比較して,品質指標の14.1%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2024-07-19T06:41:16Z)

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。