論文の概要: Grasp-Oriented Non-Prehensile Manipulation via Learning a Graspability Field

• arxiv url: http://arxiv.org/abs/2606.30474v1
• Date: Mon, 29 Jun 2026 15:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.317107
• Title: Grasp-Oriented Non-Prehensile Manipulation via Learning a Graspability Field
• Title（参考訳）: Grasp-Oriented Non-Prehensile Manipulation by Learning a Graspability Field
• Abstract要約: 非包括的操作は、しばしばロボットの把握のための準備段階として使用される。 実際には、オブジェクトは複数の把握可能な構成を認めており、望まれるポーズは事前に分かっていない。 我々は、対象中心の把握可能性の目的を最適化するものとして、把握のための非包括的操作を再構成する。
• 参考スコア（独自算出の注目度）: 53.59810543538279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-prehensile manipulation is often used as a preparatory step for robotic grasping, yet existing approaches typically require a predefined target object pose. In practice, however, objects admit multiple graspable configurations and the desired pose is not known in advance. We reformulate non-prehensile manipulation for grasping as optimizing an object centric graspability objective rather than reaching a specific pose. We construct a graspable set from synthesized grasps and define a graspability field that measures how suitable an object configuration is for successful grasp execution. The scalar measure provides a dense learning signal for reinforcement learning and determines when to terminate manipulation. This yields a closed-loop manipulation-to-grasp pipeline driven by a single policy. Experiments in simulation and on a real robot show that the policy reliably reconfigures objects into graspable states and transitions to grasping without external planners or manually specified stopping conditions. The predicted graspability distance correlates with real world grasp success, which indicates that the learned representation captures grasp feasibility of object configurations.
• Abstract（参考訳）: 非包括的操作は、ロボットの把握のための準備段階としてしばしば使用されるが、既存のアプローチでは、通常、事前に定義された対象のポーズを必要とする。 しかし実際には、オブジェクトには複数の把握可能な構成があり、望まれるポーズは事前に分かっていない。 我々は、特定のポーズに到達するのではなく、対象中心の把握可能性目標を最適化するものとして、把握のための非包括的操作を再構成する。 我々は、合成したグリップから把握可能なセットを構築し、グリップ実行を成功させるためにオブジェクト構成がどの程度適しているかを測定するグリップビリティフィールドを定義する。 スカラー測度は、強化学習のための密集した学習信号を提供し、いつ操作を終了するかを決定する。 これにより、単一のポリシによって駆動されるクローズドループ操作-グラフパイプラインが生成される。 シミュレーション実験と実ロボット実験により, 対象物を把握可能な状態に確実に再構成し, 外部プランナーや手動で指定した停止条件を使わずに把握できる状態へ遷移することを示した。 予測された把握可能性距離は、実世界の把握成功と相関し、学習された表現がオブジェクト構成の把握可能性を取得することを示す。

関連論文リスト

• CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
  ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T13:47:22Z)
• Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
  本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。 本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。 我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-06-06T16:44:56Z)
• GAPG: Geometry Aware Push-Grasping Synergy for Goal-Oriented Manipulation in Clutter [27.71481975135778]
  乱雑な環境では、シングルステップの把握が不十分であることが多い。 従来の作業は、把握可能な空間を作るための補助的なアクションとしてプッシュを導入してきた。 我々は,グリップとプッシュ評価を統合するために,幾何対応のプッシュグラス・シナジー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-22T12:30:44Z)
• LDHP: Library-Driven Hierarchical Planning for Non-prehensile Dexterous Manipulation [3.829270241398111]
  非包括的操作は、非構造化設定で、細く、大きく、または、その他の非移植不可能なオブジェクトを扱うのに不可欠である。 事前の計画と探索に基づく手法は、しばしばアドホックな手動設計に依存するか、物理的に実現不可能な動作を生成する。 本稿では,ライブラリ駆動型階層型プランナ(LDHP)を提案する。
  論文  参考訳（メタデータ） (2026-03-14T08:54:49Z)
• Executable Analytic Concepts as the Missing Link Between VLM Insight and Precise Manipulation [70.8381970762877]
  VLM(Vision-Language Models)は、セマンティック推論とタスク計画において顕著な能力を示す。 本稿では,VLMに基づく推論を実行可能な解析概念を通じて基礎づける新しいフレームワークであるGRACEを紹介する。 G GRACEは高レベル命令理解と低レベルロボット制御の統一的で解釈可能なインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-10-09T09:08:33Z)
• PreAfford: Universal Affordance-Based Pre-Grasping for Diverse Objects and Environments [37.010198898760365]
  ポイントレベルのアベイランス表現とリレートレーニングを取り入れた,新しいプレグラッピング計画フレームワークであるPreAffordを紹介する。 提案手法は適応性を大幅に向上させ,多様な環境やオブジェクトタイプに対して効果的な操作を可能にする。
  論文  参考訳（メタデータ） (2024-04-04T17:54:12Z)
• Learning Extrinsic Dexterity with Parameterized Manipulation Primitives [8.7221770019454]
  我々は、オブジェクトのポーズを変えるために環境を利用する一連のアクションを学習する。 我々のアプローチは、オブジェクトとグリップと環境の間の相互作用を利用してオブジェクトの状態を制御することができる。 拘束されたテーブルトップワークスペースから様々な重量,形状,摩擦特性の箱状物体を選別する手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-26T21:28:23Z)
• ShapeShift: Superquadric-based Object Pose Estimation for Robotic Grasping [85.38689479346276]
  現在の技術は参照3Dオブジェクトに大きく依存しており、その一般化性を制限し、新しいオブジェクトカテゴリに拡張するのにコストがかかる。 本稿では,オブジェクトに適合するプリミティブな形状に対してオブジェクトのポーズを予測する,オブジェクトのポーズ推定のためのスーパークワッドリックベースのフレームワークであるShapeShiftを提案する。
  論文  参考訳（メタデータ） (2023-04-10T20:55:41Z)
• Goal-conditioned dual-action imitation learning for dexterous dual-arm robot manipulation [4.717749411286867]
  バナナの皮剥きなどの変形可能な物体の長時間条件付きデキスタスロボット操作は問題となる。 本稿では,目標条件付きデュアルアクション・ディープ・模倣学習(DIL)アプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-18T05:17:00Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Trajectory-based Reinforcement Learning of Non-prehensile Manipulation Skills for Semi-Autonomous Teleoperation [18.782289957834475]
  本稿では,RGB-Dセンサを用いたピックアップ・アンド・プレイスタスクのための半自律遠隔操作フレームワークを提案する。 トラジェクトリに基づく強化学習を用いて、非包括的操作を学習し、物体を再構成する。 提案手法は,握り時間の観点から手動キーボード制御よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-27T14:27:28Z)
• Self-Supervision by Prediction for Object Discovery in Videos [62.87145010885044]
  本稿では,この予測タスクを自己監督として利用し,画像シーケンス表現のための新しいオブジェクト中心モデルを構築する。 私たちのフレームワークは、手動アノテーションや事前トレーニングされたネットワークを使わずにトレーニングできます。 最初の実験では、提案されたパイプラインがオブジェクト中心のビデオ予測への有望なステップであることを確認した。
  論文  参考訳（メタデータ） (2021-03-09T19:14:33Z)

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。