論文の概要: GOAG: Generative and Object-Agnostic Grasp Planner for Dexterous Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2608.19759v1
• Date: Thu, 20 Aug 2026 08:03:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.489664
• Title: GOAG: Generative and Object-Agnostic Grasp Planner for Dexterous Robotic Manipulation
• Title（参考訳）: GOAG:Dexterous Robotic Manipulationのための生成およびオブジェクト非依存のGraspプランナ
• Abstract要約: GOAGは、特定のグリップの接触面分布のコンパクトな潜在表現を学習する新しい深部生成モデルである。 シミュレーションおよび実世界のシナリオの両方において、確立された把握プロトコルに関する広範な実験を通して、我々のアプローチを検証する。 提案手法は,MultiDexデータセットからオブジェクトの最先端結果を提供し,平均成功率は86.93%である。
• 参考スコア（独自算出の注目度）: 3.906714757786654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multifingered grasping is a crucial robotic skill, but current deep-learning grasp planners often struggle to generalize to new objects because they are trained on limited, object-specific datasets. We introduce a fundamentally different approach, grounded in the observation that the gripper and the object share identical surface geometry at their mutual contact points. We propose GOAG: Generative and Object-Agnostic Grasp Planner for Dexterous Robotic Manipulation, a novel deep generative model that learns a compact latent representation of a specific gripper's contact surface distribution, enabling the efficient sampling of valid grasp configurations without relying on object-specific training data. We show that by introducing object features only at inference time, our model can effectively retrieve admissible contact areas that are compatible with the gripper's capabilities. We validate our approach through extensive experiments on established grasp protocols in both simulated and real-world scenarios, demonstrating its effectiveness with different grippers from the literature. Our method delivers state-of-the-art results on the objects from the MultiDex dataset, achieving an average success rate of 86.93%. It offers significantly faster processing when generating numerous grasps, while matching the performance of leading approaches specifically trained on this dataset. Unlike these methods, our approach does not rely on object-specific training data, highlighting the advantages of object-agnostic learning. It effectively addresses the generalization challenges faced by traditional data-driven grasp planners. Code and videos are available on our project website https://cea-list.github.io/goagweb/ .
• Abstract（参考訳）: マルチフィンガード・グリーピングはロボットの重要なスキルであるが、現在のディープラーニング・グリーニング・プランナーは、限られたオブジェクト固有のデータセットで訓練されているため、新しいオブジェクトへの一般化に苦慮することが多い。 我々は、グッパーと物体が互いに接触点において同一表面形状を共有するという観察に基づいて、根本的に異なるアプローチを導入する。 本稿では,特定のグリップの接触面分布のコンパクトな潜在表現を学習し,オブジェクト固有のトレーニングデータに頼ることなく,有効なグリップ構成の効率的なサンプリングを可能にする新しい深部生成モデルであるDexterous Robotic Manipulationを提案する。 提案モデルでは,オブジェクトの特徴を推論時にのみ導入することにより,グリップの能力と互換性のある許容接触領域を効果的に検索できることを示す。 本手法は,シミュレーションおよび実世界のシナリオにおいて確立された把握プロトコルに関する広範な実験を通じて検証し,文献から異なるグリップパを用いてその効果を実証する。 提案手法は,MultiDexデータセットからオブジェクトの最先端結果を提供し,平均成功率は86.93%である。 このデータセットで特別にトレーニングされた主要なアプローチのパフォーマンスにマッチしながら、多数のグリップを生成する場合、処理が大幅に高速になる。 これらの手法とは違って,本手法はオブジェクト固有の学習データに頼らず,オブジェクトに依存しない学習の利点を強調している。 これは、従来のデータ駆動の把握プランナーが直面する一般化の課題に効果的に対処する。 コードとビデオはプロジェクトのWebサイト https://cea-list.github.io/goagweb/ で公開されている。

関連論文リスト

• SIGHT: Synthesizing Image-Text Conditioned and Geometry-Guided 3D Hand-Object Trajectories [124.24041272390954]
  手動物体の相互作用をモデル化することは、ロボットと具体化されたAIシステムを前進させる大きな可能性を秘めている。 SIGHTは、1つの画像から現実的で物理的に妥当な3Dハンドオブジェクトインタラクショントラジェクトリを生成することに焦点を当てた,新しいタスクである。 SIGHT-Fusionは,データベースから最もよく似た3Dオブジェクトメッシュを抽出し,この課題に対処する,新しい拡散型画像文条件付き生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-28T20:53:20Z)
• Attribute-Based Robotic Grasping with Data-Efficient Adaptation [19.683833436076313]
  属性に基づくロボットグルーピングを学習するエンド・ツー・エンドのエンコーダ・デコーダネットワークを提案する。 提案手法は,未知のオブジェクトに対して,成功率を81%以上獲得する。
  論文  参考訳（メタデータ） (2025-01-04T00:37:17Z)
• Semi-Supervised Neural Processes for Articulated Object Interactions [10.847409934374205]
  本稿では,少数のオブジェクトのみにラベル付きインタラクションデータが存在するシナリオを対象とした適応型報酬予測モデルであるSemi-Supervised Neural Process (SSNP)を紹介する。 両方のタイプのデータを共同でトレーニングすることで、モデルはより効果的に一般化可能な機能に集中することができる。 SSNPの有効性は、ドアオープンタスクを通じて示され、他の半教師付き手法よりも優れた性能を示し、他の適応型モデルと比較して、わずかなデータしか使用しない。
  論文  参考訳（メタデータ） (2024-11-28T21:20:06Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• AGILE: Approach-based Grasp Inference Learned from Element Decomposition [2.812395851874055]
  人間は手動の位置情報を考慮して物体を把握できる。 本研究は、ロボットマニピュレータが物体を最も最適な方法で把握し、同じことを学べるようにする方法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T10:47:08Z)
• Grasp Transfer based on Self-Aligning Implicit Representations of Local Surfaces [10.602143478315861]
  本研究は,ロボットがこれまで遭遇した物体と形状の類似性を共有する新しい物体に,把握経験や実演を移す問題に対処する。 我々は、オブジェクトメッシュの小さなデータセットから暗黙の局所的な表面表現モデルを学ぶために、単一の専門家のグリーグデモを使用します。 推測時において、このモデルは、専門家の把握が示される表面と最も幾何学的に類似した表面を識別することにより、新しい物体に把握を伝達するために使用される。
  論文  参考訳（メタデータ） (2023-08-15T14:33:17Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Multi-dataset Training of Transformers for Robust Action Recognition [75.5695991766902]
  動作認識のための複数のデータセットをうまく一般化することを目的として,ロバストな特徴表現の課題について検討する。 本稿では、情報損失と投影損失という2つの新しい損失項を設計した、新しいマルチデータセットトレーニングパラダイムであるMultiTrainを提案する。 本研究では,Kineetics-400,Kineetics-700,Moments-in-Time,Activitynet,Some-something-v2の5つの課題データセットに対して,本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-09-26T01:30:43Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Efficient and Robust Training of Dense Object Nets for Multi-Object Robot Manipulation [8.321536457963655]
  我々はDense Object Nets(DON)の堅牢で効率的なトレーニングのためのフレームワークを提案する。 本研究は,多目的データを用いた学習に重点を置いている。 実世界のロボットによる把握作業において,提案手法の頑健さと精度を実証する。
  論文  参考訳（メタデータ） (2022-06-24T08:24:42Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
  可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。 シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。 私たちの学習モデルは、現実世界のデータにも転送します。
  論文  参考訳（メタデータ） (2021-01-07T18:56:38Z)
• Learning Long-term Visual Dynamics with Region Proposal Interaction Networks [75.06423516419862]
  オブジェクト間およびオブジェクト環境間の相互作用を長距離にわたってキャプチャするオブジェクト表現を構築します。 単純だが効果的なオブジェクト表現のおかげで、我々の手法は先行手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-08-05T17:48:00Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。