論文の概要: TransGraspNet: Physically and Geometrically Consistent Manipulation of Transparent Labware
- arxiv url: http://arxiv.org/abs/2607.29567v1
- Date: Fri, 31 Jul 2026 15:55:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.790241
- Title: TransGraspNet: Physically and Geometrically Consistent Manipulation of Transparent Labware
- Title（参考訳）: TransGraspNet:透明ラベルウェアの物理的および幾何学的に一貫性のある操作
- Abstract要約: 本稿では,知覚から実行までの一貫性を強制する物理物理の一貫したフレームワークであるTransGraspNetを提案する。
我々は、TransGraspNetを公開ベンチマーク、専用透明ガラス製品データセット、本物のロボットプラットフォームで評価する。
提案システムは,高速液体輸送中におけるクラッタの把握成功率やゼロ流出率など,信頼性の高い実世界の運用を実現する。
- 参考スコア（独自算出の注目度）: 8.131557036284407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Manipulating transparent laboratory glassware that contains liquid is inherently safety-critical: even small geometric errors can cause unstable grasps and hazardous spillage. Although recent progress has been made in transparent object perception and robotic grasping, most existing systems optimize detection, depth reconstruction, and grasp planning independently, which leads to cross-stage inconsistency imperfect boundaries induce depth bleeding, distorted surfaces corrupt normal estimation, and task agnostic grasp scoring yields tilted or off-center grasps that fail under dynamic motion. In this paper, we propose TransGraspNet, a geometry physics consistent framework that explicitly enforces consistency from perception to execution through three coupled principles: boundary consistency to produce structurally reliable object contours as downstream priors, surface consistency to preserve geometric fidelity and surface normal accuracy during depth reconstruction, and physics consistency to refine grasp selection with centroid alignment and wrench-space stability for upright and dynamically robust manipulation. We evaluate TransGraspNet on public benchmarks, a dedicated transparent glassware dataset, and a real robotic platform. The results show improved boundary quality and surface normal fidelity, and demonstrate strong task-level performance in cluttered transparent scenes. Most importantly, the proposed system achieves reliable real-world operation, including high grasp success rates in clutter and zero spillage during high speed liquid transport, highlighting the effectiveness of our method.
- Abstract（参考訳）: 液体を含む透明な実験室のガラス製品を操作することは、本質的には安全に重要であり、小さな幾何学的誤差でさえ不安定な把握と有害な流出を引き起こす可能性がある。
近年, 物体の透明な認識とロボットの把握が進展しているが, 既存のシステムでは検出, 深度再構成, 把握計画が独立に最適化されているため, 横断的不整合境界が深度出血を誘発し, 歪んだ表面が正常に推定され, タスク非依存的な把握が動的動作で失敗する。
本稿では,3つの連成原理により,知覚から実行までの整合性を明示的に強制する幾何物理の一貫したフレームワークであるTransGraspNetを提案する。これは,下流の先行として構造的に信頼性の高い物体の輪郭を生成する境界整合性,深度再構成時の幾何学的忠実さと表面正規精度を維持する表面整合性,および直立および動的ロバストな操作のための偏心アライメントとレンチ空間安定性によるグリップ選択を洗練させる物理整合性である。
我々は、TransGraspNetを公開ベンチマーク、専用透明ガラス製品データセット、本物のロボットプラットフォームで評価する。
その結果, 境界品質と表面の通常の忠実度が向上し, 透明な透明なシーンにおいて, タスクレベル性能が向上した。
提案方式は, 高速液体輸送において, クラッタの把持成功率やゼロ流出率など, 信頼性の高い実世界の運用を実現し, 提案手法の有効性を浮き彫りにした。
関連論文リスト
- Surfsvr: 2D Surface Priors as 3D Geometric Regularizers for Sparse Voxel Reconstruction [56.51413081953813]
SurfSVRは2次元表面の先行を明示的な3次元幾何正規化器として扱う新しいスパースボクセル再構成パラダイムである。
鮮明なボクセルの再現は、視認性と幾何学的特性が著しく異なる場面で一貫して改善される。
論文 参考訳（メタデータ） (2026-08-12T11:25:31Z) - AISPO: Enhancing Depth Reliability for Robotic Manipulation of Non-Lambertian Objects via Affine-Invariant Shape Prior [27.63005010032789]
AISPOは,難解な検知条件下での操作の深度信頼性を向上させるための深度補完フレームワークである。
平均深度精度に主眼を置く手法とは異なり,本手法は予測深度マップの物理的妥当性と構造的整合性を強調する。
論文 参考訳（メタデータ） (2026-06-24T07:37:11Z) - Admittance-Based Surface Alignment for Human-in-the-Loop Robotic Visual Inspection [7.354545339891874]
本稿では,高精度視覚検査のためのロボット配向制御パイプラインを提案する。
本研究では,メディアを移動する仮想球体としてエンドエフェクタを設計し,物理的に解釈可能な質量減衰系が同期・コンプライアンス動作を生成する。
本手法を6-DOFマニピュレータで検証し, 安定なノーマルトラックと最終平均方向誤差0.4。
論文 参考訳（メタデータ） (2026-06-17T02:01:51Z) - Reliability-Guided Depth Fusion for Glare-Resilient Navigation Costmaps [0.0]
反射床、ガラス境界、光沢のある屋内表面の光沢は、アクティブステレオRGB-D深度測定を頻繁に破壊する。
本稿では,明示的な深度信頼度モデルに基づくグレアレジリエントなコストマップ構築手法を提案する。
論文 参考訳（メタデータ） (2026-06-02T10:06:15Z) - Trans2Occ: Voxel Occupancy Estimation and Grasp for Transparent Objects from Simulation to Reality [125.76063573012853]
単一ビューRGB入力に基づく透明な物体認識と操作のためのフレームワークを提案する。
提案手法は,1つの画像から直接ボクセル空間の占有率を予測し,下流ロボットの把握を支援する幾何学的表現を提供する。
論文 参考訳（メタデータ） (2026-06-01T06:59:13Z) - PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [76.9760302941819]
PolGS++は高速反射面再構成のための偏光ガウス散乱フレームワークである。
本稿では,アングル・オブ・ポラライゼーション(AoP)に基づくタンジェント空間の整合性制約を実現するための,奥行き誘導型可視マスク取得機構を提案する。
論文 参考訳（メタデータ） (2026-03-11T14:11:42Z) - DiffTrans: Differentiable Geometry-Materials Decomposition for Reconstructing Transparent Objects [53.83670041249326]
多視点画像から透明な物体を再構成することは、光伝搬の複雑な性質と不確定な振る舞いのために難しい課題である。
本稿では,透明物体の形状や材料を効率よく分解・再構成できる,DiffTransと呼ばれる透明物体の識別可能なレンダリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T02:21:31Z) - Fix False Transparency by Noise Guided Splatting [4.778060896816705]
3DGSによって再構成された不透明な物体は、しばしば偽の透明な表面を示す。
この問題は、3DGSの不正な最適化に起因している。
我々は表面ガウシアンにより高い不透明度を採用するよう奨励する戦略を提案する。
論文 参考訳（メタデータ） (2025-10-17T15:28:24Z) - TSGS: Improving Gaussian Splatting for Transparent Surface Reconstruction via Normal and De-lighting Priors [39.60777069381983]
我々は、幾何学学習と外観改善を分離する新しいフレームワークであるTransparent Surface Gaussian Splatting (TSGS)を紹介した。
幾何学学習の段階では、TSGSは、表面を正確に表現するために、スペクトル抑圧された入力を用いて幾何学に焦点を当てる。
深度推定を強化するため、TSGSは第1面の深度抽出法を採用している。
論文 参考訳（メタデータ） (2025-04-17T10:00:09Z) - RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface
Normal Estimation and Manipulation [50.10282876199739]
本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。
RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。
現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
論文 参考訳（メタデータ） (2023-11-21T07:19:47Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z)
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。