論文の概要: MANGO-Grasp: Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping
- arxiv url: http://arxiv.org/abs/2608.02014v1
- Date: Mon, 03 Aug 2026 10:12:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.483329
- Title: MANGO-Grasp: Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping
- Title（参考訳）: MANGO-Grasp:Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping
- Abstract要約: クロス・エボディメント・デキスタラス・グルーピングは、異種多指ハンド間の安定したグルーピングを、エンボディメント固有のチューニングをほとんど、あるいは全く行わずに合成することを目的としている。
物体を幾何学指向の3Dガウスプリミティブとして、ロボットハンドをモルフォキネマティックな記述子に符号化した表面キーポイントとして表現する異方性相互作用フレームワークであるMANGO-Graspを提案する。
- 参考スコア（独自算出の注目度）: 82.63833405368159
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-embodiment dexterous grasping aims to synthesize stable grasps across heterogeneous multi-fingered hands with little or no embodiment-specific tuning. Existing interaction-centric methods achieve promising results, but their object representations often underrepresent local surface geometry, while their robot descriptors do not explicitly encode both robot morphology and kinematics. We propose MANGO-Grasp, an anisotropic interaction framework that represents objects as geometry-oriented 3D Gaussian primitives and robot hands as surface keypoints encoded into morpho-kinematic descriptors. The object primitives are adaptively allocated by geometric complexity and shaped as surface-aligned plates with outward normals, encoding local geometry. Mahalanobis fields over keypoint--primitive pairs serve as interaction prediction targets during training and as optimization guidance for grasp realization at inference. These fields rise sharply for displacement along the surface normal but only gently within the tangent plane, matching the directional structure of contact. Grasps are realized with one shared optimization formulation and hyperparameter setting across all embodiments. On the CMAP and MultiGripperGrasp benchmarks, MANGO-Grasp outperforms the strongest seen-hand baseline by up to 8.24 percentage points in simulation. It also transfers zero-shot to the unseen SharpaWave hand, improving over the strongest zero-shot baseline by up to 16.57 percentage points, and achieves 86% success in real-world experiments. The code and additional materials will be made available upon publication at https://connor-zh.github.io/MANGO-Grasp/.
- Abstract（参考訳）: クロス・エボディメント・デキスタラス・グルーピングは、異種多指ハンド間の安定したグルーピングを、エンボディメント固有のチューニングをほとんど、あるいは全く行わずに合成することを目的としている。
既存の相互作用中心の手法は有望な結果をもたらすが、それらのオブジェクト表現はしばしば局所的な表面形状を過小評価するが、ロボット記述子はロボット形態学と運動学の両方を明示的にエンコードしない。
物体を幾何学指向の3Dガウスプリミティブとして、ロボットハンドをモルフォキネマティックな記述子に符号化した表面キーポイントとして表現する異方性相互作用フレームワークであるMANGO-Graspを提案する。
オブジェクトプリミティブは、幾何学的な複雑さによって適応的に割り当てられ、外向きの正常な表面整列プレートとして形成され、局所幾何学を符号化する。
キーポイント対上のマハラノビス場は、トレーニング中の相互作用予測ターゲットとして、および推論における実現の把握のための最適化ガイダンスとして機能する。
これらの磁場は、表面の正常に沿った変位のために急上昇するが、接面内では緩やかにのみ上昇し、接触の方向構造と一致する。
グラフは、すべての実施形態をまたいだ1つの共有最適化定式化とハイパーパラメータ設定によって実現される。
CMAPおよびMultiGripperGraspベンチマークでは、MANGO-Graspはシミュレーションにおいて最大8.24ポイントの最強のルックハンドベースラインを上回っている。
また、ゼロショットを見えないシャーパウェーブの手に移し、最強のゼロショットベースラインを最大16.57ポイント改善し、実世界の実験で86%の成功を収めた。
コードと追加資料はhttps://connor-zh.github.io/MANGO-Grasp/で公開される。
関連論文リスト
- Blended Chart Surfaces: A Seamless Explicit Representation for Smooth Surface Fitting [0.14323566945483496]
我々はBlended Chart Surfacesを紹介した。Blended Chart Surfacesはコンパクトでネットワークフリーで明示的な表現で、構築によってスムーズで、ユーザが提供するチャートに固定されている。
様々なトポロジと幾何学的複雑性に基づいてブレンドチャート面を評価し、明示的な選択肢と比較する。
論文 参考訳（メタデータ） (2026-06-16T15:39:38Z) - 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) - MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation [53.06620176910962]
MeshWeaverは、メッシュ生成を表面織布プロセスとして扱う自動回帰フレームワークである。
MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上する。
論文 参考訳（メタデータ） (2026-06-03T10:15:43Z) - ShapeGrasp: Simultaneous Visuo-Haptic Shape Completion and Grasping for Improved Robot Manipulation [3.415147604573136]
提案手法は,暗黙的な表面粘性触覚形状の完成と物理に基づくグリップ計画とを結合した,反復的グリップ・アンド・コンプリートパイプラインである。
1つのRGB-Dビューから、ShapeGraspは完全な形状を推測し、剛体シミュレーションにより候補のグリップを生成し、最も有効なグリップを実行する。
実世界におけるShapeGraspの評価には,2つの異なるロボットとグリップを用いた。
論文 参考訳（メタデータ） (2026-05-04T08:49:52Z) - DISF: Disentangled Iterative Surface Fitting for Contact-stable Grasp Planning with Grasp Pose Alignment to the Object Center of Mass [8.61285912675644]
幾何学的整合性を維持しつつ,接触安定性を両立させる新しい表面整合アルゴリズムを提案する。
人間のつかみ動作にインスパイアされた本手法は,グリップポーズ最適化を3段階に分割する。
我々は,3つのロボットプラットフォーム上でのシミュレーションと実環境実行におけるアプローチを検証する。
論文 参考訳（メタデータ） (2025-12-31T01:15:09Z) - SpatialActor: Exploring Disentangled Spatial Representations for Robust Robotic Manipulation [63.48859753472547]
SpaceActorは、意味論と幾何学を明確に分離する堅牢なロボット操作のためのフレームワークである。
RLBenchの87.4%で最先端のパフォーマンスを達成し、ノイズの異なる条件下では13.9%から19.4%改善している。
論文 参考訳（メタデータ） (2025-11-12T18:59:08Z) - 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) - Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。
我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文 参考訳（メタデータ） (2023-08-10T06:40:19Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z)
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。