論文の概要: PartialBiGrasp: Inferring Hidden Local Geometry for Bimanual Grasping from Partial Views

• arxiv url: http://arxiv.org/abs/2608.19188v1
• Date: Wed, 19 Aug 2026 17:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.487162
• Title: PartialBiGrasp: Inferring Hidden Local Geometry for Bimanual Grasping from Partial Views
• Title（参考訳）: 部分的BiGrasp:部分的視点からの双対グラフ作成のための隠れ局所幾何学の推論
• Abstract要約: 本稿では,部分点雲の観測を直接行うデュアルアームグリップ生成フレームワークを提案する。 我々のモデルは、畳み込み占有ネットワークを通して幾何学的特徴を暗黙的に学習する。 我々は、この理解を活用して、力量閉鎖に準拠するグリップペアを生成する。
• 参考スコア（独自算出の注目度）: 6.708853928904307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dual-arm robotic grasping is essential for manipulating large, heavy, and geometrically complex objects that cannot be reliably handled using a single manipulator. These large objects often contain only sparse graspable regions determined by local geometric properties such as thickness, edge structure, and gripper clearance. Prior bimanual grasping methods assume access to a full point cloud of the object which inherently contains this geometric information, but may not be accessible in real scenarios. This work proposes PartialBiGrasp, a dual-arm grasp generation framework that operates directly on partial point cloud observations. Our model learns geometric features implicitly through convolutional occupancy networks, enabling local reasoning about graspability, collision-free contact regions, and object thickness. We leverage this understanding to generate force-closure compliant grasp pairs, which are further refined using a sampling-based optimization to correct for ambiguity caused by incomplete geometry. We evaluate our approach using analytical force-closure metrics, large-scale simulation experiments, and real-world robot evaluations on noisy partial point clouds of novel objects, demonstrating robust and physically stable dual-arm grasp generation.
• Abstract（参考訳）: デュアルアームのロボットグルーピングは、単一のマニピュレータで確実に扱えない、大きく、重く、幾何学的に複雑な物体を操作するために不可欠である。 これらの大きな物体は、厚み、縁構造、グリップクリアランスといった局所的な幾何学的性質によって決定されるスパースな領域のみを含むことが多い。 従来は、この幾何学的情報を含むオブジェクトの完全な点雲へのアクセスを前提としていたが、実際のシナリオではアクセスできない可能性がある。 本研究は,部分点雲観測を直接操作するデュアルアームグリップ生成フレームワークであるPartialBiGraspを提案する。 モデルでは、畳み込み占有ネットワークを通じて幾何学的特徴を暗黙的に学習し、把握可能性、衝突のない接触領域、物体の厚さに関する局所的推論を可能にする。 我々は、この理解を活用して、不完全幾何によるあいまいさを補正するためにサンプリングベース最適化を用いてさらに洗練される力閉包対応のグリップペアを生成する。 解析的力閉鎖測定,大規模シミュレーション実験,および新しい物体のノイズのある部分点雲における実世界のロボット評価を用いて,ロバストかつ物理的に安定な両腕グリップ生成を実証する。

関連論文リスト

• Learning Point Cloud Geometry as a Statistical Manifold: Theory and Practice [11.695017334165287]
  LiDARが取得した点雲は本質的にスパースであり、一様ではない。 既存のアプローチは、局所幾何学を推定することによってこれらの制限を補償しようとする。 本稿では,点ごとのガウス幾何学を推定する深部神経推定器であるPOLIを紹介する。
  論文  参考訳（メタデータ） (2026-05-11T12:27:25Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• 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)
• Brep2Shape: Boundary and Shape Representation Alignment via Self-Supervised Transformers [46.87466345672103]
  境界表現(B-rep)はコンピュータ支援設計(CAD)の業界標準である ディープラーニングはB-repモデルの処理において有望であるが、既存の手法は表現ギャップに悩まされている。 本稿では,抽象境界表現と直感的な形状表現との整合性を考慮した自己教師付き事前学習手法であるBrep2Shapeを紹介する。
  論文  参考訳（メタデータ） (2026-02-07T08:00:47Z)
• 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-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
  本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。 具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。 これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
  論文  参考訳（メタデータ） (2025-06-17T07:04:07Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Constrained 6-DoF Grasp Generation on Complex Shapes for Improved Dual-Arm Manipulation [11.048436789482189]
  本研究では,任意のジオメトリを持つオブジェクトに一般化した拡散に基づくグリップ生成モデルであるConstrained Grasp Diffusion Fieldsを提案する。 本手法は,複雑なオブジェクトに対して安定なグリップを生成するために一般化できることを示し,特にデュアルアーム操作設定に有用である。
  論文  参考訳（メタデータ） (2024-04-06T14:28:01Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Geometry Constrained Weakly Supervised Object Localization [55.17224813345206]
  弱教師付きオブジェクトローカライゼーションのための幾何制約付きネットワークであるGC-Netを提案する。 検出器は、幾何学的形状を記述する係数の集合によって定義された物体の位置を予測する。 ジェネレータは、得られたマスクされた画像を入力として、オブジェクトとバックグラウンドの2つの補完的な分類タスクを実行する。 従来のアプローチとは対照的に、GC-Netはエンドツーエンドでトレーニングされ、後処理なしでオブジェクトの位置を予測する。
  論文  参考訳（メタデータ） (2020-07-19T17:33:42Z)

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。