論文の概要: Steer2Grasp: Inference-Time Embodiment-Aware Steering for Diverse Physically Feasible Grasp Diffusion
- arxiv url: http://arxiv.org/abs/2609.33546v1
- Date: Sun, 27 Sep 2026 13:13:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 15:53:13.408597
- Title: Steer2Grasp: Inference-Time Embodiment-Aware Steering for Diverse Physically Feasible Grasp Diffusion
- Title（参考訳）: Steer2Grasp: 様々な物理的に実現可能なGrasp拡散のための推論時身体動作対応ステアリング
- Abstract要約: 我々は、推論時グリップステアリングのためのトレーニング不要なエボディメント非依存フレームワークであるSteer2Graspを提案する。
本手法は,基礎となるグリップに近接を維持しつつ,実現可能なグリップ生成を大幅に改善する。
- 参考スコア（独自算出の注目度）: 5.780119195970531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current grasp diffusion models provide rich priors for generation, yet their object-centric approach can violate the kinematic and collision constraints imposed by the embodiment and the environment. Existing embodiment-aware methods primarily perform local corrections around generated grasps through gradient guidance or optimization, making it difficult to recover from fundamentally infeasible modes. We present Steer2Grasp, a training-free, embodiment-agnostic framework for inference-time grasp steering that adapts a frozen Cartesian grasp diffusion model using deployment-specific rewards. Through Feynman-Kac (FK) inspired particle reweighting and resampling, the method reallocates population mass from infeasible to high-reward grasp modes, enabling population-level mode transitions without modifying the pretrained diffusion model or requiring differentiable constraints. The framework enables a unified treatment for single and dual arm grasping through reachability and collision aware rewards, followed by gradient free gripper level local refinement. Across diverse objects, robot embodiments, and constrained environments, our method substantially improves feasible grasp generation while maintaining proximity to the underlying grasp prior.
- Abstract（参考訳）: 現行のグリップ拡散モデルは、生成に豊富な先行を与えるが、そのオブジェクト中心のアプローチは、エンボディメントと環境によって課される運動的および衝突的制約に違反する可能性がある。
既存のエンボディメント対応手法は、主に勾配誘導や最適化によって生成されたグリップの周辺で局所的な補正を行うため、基本的には不可能なモードから回復することが困難である。
本稿では,フリーでエボディメントに依存しない推論時間把握ステアリングフレームワークであるSteer2Graspについて述べる。
Feynman-Kac (FK) にインスパイアされた粒子再加重と再サンプリングにより、この方法は集団の質量を不実現から高逆の把握モードに再配置し、事前訓練された拡散モデルを変更したり、異なる制約を必要とすることなく、集団レベルのモード遷移を可能にする。
このフレームワークは、到達性および衝突認識報酬を通じて、単腕と二腕のグリップの統一的な処理を可能にし、その後、勾配自由グリップレベル局所改善を行う。
本手法は, 多様な物体, ロボットの実施形態, 制約された環境にまたがって, 基礎となる把握に近づきつつ, 実現可能な把握生成を大幅に改善する。
関連論文リスト
- Motion Planning with Model-Based Diffusion via Constraint Optimization and Adaptive Scheduling [7.761673975696802]
シングルロボット運動計画(SRMP)は、複雑な制約と計算上の制限の下で困難である。
最近のモデルベース拡散(MBD)はSRMPをリキャストし、後方拡散軌道からサンプルを誘導する。
提案手法は, 安全・成功率の向上, 収束の高速化, 最終コストの低減を実現している。
論文 参考訳（メタデータ） (2026-07-16T01:04:32Z) - Grounding Generative Policies in Physics: Optimization-Guided Diffusion for Robot Control [41.782471938706344]
タスク空間のロボットポリシーでは、生成された把握、ウェイポイント、トラジェクトリは分散的に有効だが実現不可能である。
動作生成を物理的実現可能性に結合する推論時間最適化フレームワークを提案する。
本研究では,到達性と衝突回避制約とコントローラレベルの追従性制約を併用した動的操作によるデクスタラスグリップ合成法の評価を行った。
論文 参考訳（メタデータ） (2026-06-23T06:49:30Z) - EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。
本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。
我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
論文 参考訳（メタデータ） (2025-10-20T02:40:06Z) - PIRF: Physics-Informed Reward Fine-Tuning for Diffusion Models [11.791955441600825]
物理インフォームド生成をスパース報酬最適化問題とし、物理制約の順守を報酬信号として扱う。
我々は、軌道レベルの報酬を計算し、それらの勾配を直接バックプロパゲートすることで、値近似を回避できる物理インフォームド・リワード微調整(PIRF)を導入する。
PIRFは、効率的なサンプリング体制下での優れた物理強制を一貫して達成し、科学的生成モデリングの進歩に対する報酬の微調整の可能性を強調している。
論文 参考訳（メタデータ） (2025-09-24T21:23:03Z) - Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。
本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。
分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
論文 参考訳（メタデータ） (2025-07-07T21:14:27Z) - One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。
拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。
提案手法は,実測値と非参照値の両方で高い性能を達成する。
論文 参考訳（メタデータ） (2025-03-09T09:39:57Z) - Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。
時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
論文 参考訳（メタデータ） (2023-05-11T17:55:25Z)
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。