論文の概要: GraspGraphNet: Graph-Structured Multi-Embodiment Dexterous Grasp Generation

• arxiv url: http://arxiv.org/abs/2607.11031v1
• Date: Mon, 13 Jul 2026 02:54:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.319389
• Title: GraspGraphNet: Graph-Structured Multi-Embodiment Dexterous Grasp Generation
• Title（参考訳）: GraspGraphNet: グラフ構造化多重電子デキスタラスグラフ生成
• Authors: Yeonseo Lee, Taeyeop Lee, Hyosup Shin, Guebin Hwang, Sungho Jo,
• Abstract要約: 運動的トポロジ、アクティベーション次元、およびネイティブコマンド空間で手が異なるため、ロボットハンド間のデクサラスグリップ生成は困難である。 本研究では,手それぞれをキネマティックグラフとして表現し,ヤシのポーズや関節構成を直接生成するフレームワークであるGraspGraphNetを紹介する。 以上の結果から, グラフ構造による手指表現は, 運動構造が異なるロボットハンド間において, 器用な握力生成を効果的に支援できることが示唆された。
• 参考スコア（独自算出の注目度）: 5.047550291227561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dexterous grasp generation across robot hands is challenging because hands differ in kinematic topology, actuation dimensions, and native command spaces. We introduce GraspGraphNet, a topology-aware grasp generation framework that represents each hand as a URDF-derived kinematic graph and directly generates executable palm poses and joint configurations. GraspGraphNet combines hierarchical object surface encoding, differentiable forward kinematics, and dynamic world-edge message passing to model evolving robot-object interactions. It applies conditional flow matching directly in executable palm-pose and joint-state space, avoiding post-processing optimization, inverse kinematics, and retargeting. Using a shared model trained on Barrett Hand, Allegro Hand, and Shadow Hand, GraspGraphNet achieves an average success rate of 83.48% with 40ms inference time per grasp on a 40-object benchmark. Without retraining, the same model achieves 72.70% success on controlled finger-removal variants, demonstrating robustness to hand-topology variations. These results suggest that graph-structured hand representations can effectively support dexterous grasp generation across robot hands with different kinematic structures. Project: https://lysees.github.io/graspgraphnet-page
• Abstract（参考訳）: 運動的トポロジ、アクティベーション次元、およびネイティブコマンド空間で手が異なるため、ロボットハンド間のデクサラスグリップ生成は困難である。 GraspGraphNetは,各手をURDF由来のキネマティックグラフとして表現し,実行可能なパームポーズや関節構成を直接生成するトポロジ対応のグリップ生成フレームワークである。 GraspGraphNetは、階層的オブジェクトサーフェスエンコーディング、微分可能フォワードキネマティクス、動的ワールドエッジメッセージパッシングを組み合わせ、進化するロボットとオブジェクトの相互作用をモデル化する。 これは、実行可能パーム目的空間とジョイントステート空間で直接条件付きフローマッチングを適用し、後処理の最適化、逆運動学、再ターゲティングを避ける。 Barrett Hand、Allegro Hand、Shadow Handでトレーニングされた共有モデルを使用して、GraspGraphNetは平均的な成功率83.48%、40msの推論タイムを40オブジェクトのベンチマークで達成する。 再トレーニングなしでは、同じモデルが制御された指除去変種において72.70%の成功を達成し、手指トポロジーの変動に対して堅牢性を示す。 これらの結果から, グラフ構造を用いた手指表現は, 運動構造が異なるロボットハンド間において, デクスタラスグリップ生成を効果的に支援できることが示唆された。 プロジェクト:https://lysees.github.io/graspgraphnet-page

関連論文リスト

• PhysGraph: Physically-Grounded Graph-Transformer Policies for Bimanual Dexterous Hand-Tool-Object Manipulation [15.661420962372441]
  既存のメソッドは、システム全体の状態を単一の構成ベクタとしてネガリックに表現する。 本稿では,PhysGraphについて述べる。PhysGraphは2次元手動オブジェクト操作に挑戦する物理グラウンドグラフトランスフォーマポリシーである。
  論文  参考訳（メタデータ） (2026-03-02T04:32:20Z)
• Dexterous Manipulation Policies from RGB Human Videos via 3D Hand-Object Trajectory Reconstruction [24.49384094440561]
  我々は,RGBのヒューマンビデオから直接デクスタラスな操作を学習する,デバイスフリーのフレームワークであるVIDEOMANIPを提案する。 シミュレーションでは、学習した把握モデルはインスパイアハンドを用いて20種類のオブジェクトに対して70.25%の成功率を達成する。 実世界では、RGBビデオから訓練された操作ポリシーは、LEAPハンドを使用して7つのタスクで平均62.86%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-09T18:56:02Z)
• Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
  既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。 本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:57:00Z)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• GraNet: A Multi-Level Graph Network for 6-DoF Grasp Pose Generation in Cluttered Scenes [0.5755004576310334]
  GraNetはグラフベースのグリップポーズ生成フレームワークで、ポイントクラウドシーンをマルチレベルグラフに変換する。 このパイプラインは, 散在するシーンにおけるグリップの空間分布を特徴付けることができ, 効果的グリップの速度が向上する。 提案手法は,大規模GraspNet-1Billionベンチマークにおいて,特に未確認オブジェクトの把握において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-06T08:36:29Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)

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。