論文の概要: Function beyond Form: Functional Correspondence for Cross-Embodiment Dexterous Grasp Generation

• arxiv url: http://arxiv.org/abs/2609.39006v1
• Date: Wed, 30 Sep 2026 05:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.227118
• Title: Function beyond Form: Functional Correspondence for Cross-Embodiment Dexterous Grasp Generation
• Title（参考訳）: 形態を超えて機能する:クロス・エボディメント・デキサス・グラス生成のための機能的対応
• Abstract要約: ロボットハンドは幾何学、トポロジ、キネマティクスで大きく異なるため、クロス・エボディメント・デキスタラス・グリップ生成は依然として困難である。 既存のアプローチは、握手において同様の役割を果たす構造的に異なる手領域間の明確な対応を欠くことが多い。 FunCo-Grasp を導入し, 異種手指形態間の機能的対応を確立する。
• 参考スコア（独自算出の注目度）: 9.323374908611454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-embodiment dexterous grasp generation remains challenging because robotic hands differ substantially in geometry, topology, and kinematics. Existing approaches often lack explicit correspondences between structurally different hand regions that play similar functional roles in a grasp, a concept we refer to as functional correspondence. Consequently, their models tend to learn hand-specific interaction patterns rather than transferable grasp knowledge, limiting generalization to unseen hands. To address this limitation, we introduce FunCo-Grasp, which establishes functional correspondences across heterogeneous hand embodiments. Specifically, Functional Part Alignment aligns each hand to a canonical functional schema by mapping physical links to shared functional parts according to their grasping roles, while Canonical Frame Alignment expresses these parts in canonical local frames. These two alignments provide a consistent representation for inter-part and hand-object interactions, allowing the model to learn transferable grasp knowledge across hands. Conditioned on the aligned hand representation and object geometry, a diffusion model generates the target spatial arrangement of the functional parts, which are then converted into an executable joint configuration. Adapting FunCo-Grasp to an unseen hand requires only its geometric and kinematic models and a one-time lightweight functional annotation, without target-hand grasp data, fine-tuning, or learned retargeting. In simulation on held-out objects from the filtered CMapDataset, we achieves average success rates of 92.40% on three seen hands and 74.02% on four unseen hands. In real-world experiments, the same model achieves an overall success rate of 76.00% on two unseen hands without additional training or fine-tuning. These results demonstrate the effectiveness of FunCo-Grasp in transferring grasp knowledge to unseen hands.
• Abstract（参考訳）: ロボットハンドは幾何学、トポロジ、キネマティクスで大きく異なるため、クロス・エボディメント・デキスタラス・グリップ生成は依然として困難である。 既存のアプローチでは、握手において同様の機能的役割を演じる構造的に異なる手領域間の明確な対応が欠如していることが多い。 その結果、それらのモデルは、伝達可能な把握知識よりも、手固有の相互作用パターンを学習し、一般化を目に見えないものに制限する傾向にある。 この制限に対処するため、不均一な手体をまたいだ機能的対応を確立するFunCo-Graspを導入する。 具体的には、機能的部分アライメントは、各手と標準的機能的スキーマを整合させ、物理的リンクをそれらの把握する役割に応じて共有機能的部分へマッピングする一方、カノニカルフレームアライメントはこれらの部分を標準的局所フレームで表現する。 これら2つのアライメントは、パーツ間の相互作用とハンドオブジェクト間の相互作用を一貫した表現を提供し、モデルが手間で伝達可能な知識を学習できるようにする。 整列手表現とオブジェクト形状を条件に、拡散モデルは、機能部分のターゲット空間配置を生成し、それが実行可能関節構成に変換される。 FunCo-Graspを目に見えない手に適応させるには、幾何学的かつキネマティックなモデルと、1回の軽量な機能アノテーションしか必要としない。 フィルタしたCMapDatasetのホールドアウトオブジェクトのシミュレーションでは、目に見える3つの手の平均成功率は92.40%、目に見えない4つの手の平均成功率は74.02%である。 実世界の実験では、同じモデルが2つの目に見えない手で76.00%の総合的な成功率を達成するが、追加のトレーニングや微調整は行わない。 これらの結果から,FunCo-Graspが把握知識を目に見えない手に移す効果が示された。

関連論文リスト

• InterMASH: A Unified Geometric Representation for Grasp Synthesis [26.072800563409704]
  InterMASHは球固定アンカーを用いたクロスボディ対応を確立する統一表現である。 条件拡散変換器は、提案したInterMASH表現空間で直接動作し、手形状と接触を共同で生成する。 提案手法は,大規模シャドウHandベンチマークにおいて,鍵となる物理実現可能性指標の最先端手法と競合する性能を実現する。
  論文  参考訳（メタデータ） (2026-09-16T11:39:35Z)
• DexGrasp-Zero: A Morphology-Aligned Policy for Zero-Shot Cross-Embodiment Dexterous Grasping [46.96135601170059]
  異種手動と身体的制約により、クロス・エボディメントの把握は困難である。 既存のアプローチは通常、中間運動目標を予測し、それぞれの実施形態に再ターゲットする。 多様な実施形態から普遍的な把握能力を学ぶ政策であるDexGrasp-Zeroを提案する。
  論文  参考訳（メタデータ） (2026-03-17T17:10:29Z)
• AffordGrasp: Cross-Modal Diffusion for Affordance-Aware Grasp Synthesis [50.793806818677716]
  AffordGraspは、物理的に安定し、セマンティックに忠実な人間の握りを高精度に生成する。 AffordGraspは、手ポーズの空きを意識した潜在表現を二重条件拡散プロセスに統合する。 AffordGraspはHO-3D, OakInk, GRAB, AffordPoseの4つの命令強化ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-03-09T06:56:35Z)
• Affordance Transfer Across Object Instances via Semantically Anchored Functional Map [4.786936073180585]
  本研究では,1つの視覚的実演からオブジェクト間でアベイランスを伝達するフレームワークであるemphSemantic Anchored Functional Maps (SemFM)を提案する。 本手法は,オブジェクト間のセマンティックな機能領域を特定し,相互に排他的なセマンティックアンカーを選択し,それらの制約を表面上で伝達する。 合成対象カテゴリーと実世界のロボット操作タスクの実験により,本手法が計算コストを抑えながら精度の高い移動を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-02-16T16:04:47Z)
• UniMorphGrasp: Diffusion Model with Morphology-Awareness for Cross-Embodiment Dexterous Grasp Generation [63.13144787866563]
  クロス・エボディメント・グルーピングは、異種キネマティック構造を持つロボットハンドに対して、安定かつ多様なグルーピングを生成することを目的としている。 ハンドモーフィック情報をグリップ生成プロセスに組み込んだ拡散型フレームワークである textbfUniMorphGrasp を提案する。 UniMorphGraspは、既存のデクスタラスグリップベンチマークで最先端のパフォーマンスを達成し、以前は目に見えない手の構造に対して強力なゼロショットの一般化を示す。
  論文  参考訳（メタデータ） (2026-01-31T21:56:16Z)
• 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)
• DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
  高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。 DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。 当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T18:03:26Z)

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。