論文の概要: TGrasp6D: Task-Informed Vision-Language Priors and Pose Refinement enable Zero-Shot Task-Oriented 6DoF Grasping

• arxiv url: http://arxiv.org/abs/2610.20901v1
• Date: Wed, 14 Oct 2026 20:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.063035
• Title: TGrasp6D: Task-Informed Vision-Language Priors and Pose Refinement enable Zero-Shot Task-Oriented 6DoF Grasping
• Title（参考訳）: TGrasp6D: Task-Informed Vision-Language Priors and Pose Refinement possible Zero-Shot Task-Oriented 6DoF Grasping
• Abstract要約: タスク指向の6DoFグリップをゼロショットで生成するための視覚言語に基づくTGrasp6Dを提案する。 当社のアプローチでは,TaskGraspデータセットで94%,ベースラインが74%の最先端の成功率を実現しています。
• 参考スコア（独自算出の注目度）: 11.02910353976723
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Task-Oriented Grasping (TOG) has emerged as an important skill for purposeful robotic manipulation. Given the task of using a knife to "slice bread," a robot must choose to grasp from the handle, whereas for "hand[ing] the knife over," it is preferable for the handle to remain unobstructed for safe handoff. Current approaches for TOG either focus on 2D planar grasping, remain limited by their reliance on task-agnostic grasp generators, or are constrained by reliance on finite, manually-annotated, task-specific grasp datasets that cannot cover all possible grasp-task pairs. To that end, we present TGrasp6D, a vision-language based approach for generating task-oriented 6DoF grasps in a zero-shot manner. Given a task and a single RGB-D image of an associated object, TGrasp6D reasons about the appropriate semantic affordance for the given task and object geometry to produce an initial task- informed prior. This generated prior is further refined via 6DoF pose optimization for collision avoidance while preserving task consistency. Our approach achieves state-of-the-art success rate of 94% on the TaskGrasp dataset, with the best baseline at 74%. We also deploy our approach on a Franka Research 3 robot to demonstrate zero-shot generalization to real world objects
• Abstract（参考訳）: Task-Oriented Grasping (TOG) は、目的を持ったロボット操作のための重要なスキルとして登場した。 ナイフを「パンをスライス」する作業を考えると、ロボットはハンドルからつかむことを選択しなければならないが、"ハンドオーバー"の場合、ハンドルは安全にハンドオフするために邪魔されないままにしておくのが望ましい。 TOGの現在のアプローチは、2次元平面グルーピングにフォーカスするか、タスクに依存しないグルーピングジェネレータに依存しているか、あるいは可能なグルーピングタスクを全てカバーできない有限で手動のタスク固有グルーピングデータセットに依存している。 そこで,タスク指向の6DoFグリップをゼロショットで生成する視覚言語ベースのTGrasp6Dを提案する。 タスクと、関連するオブジェクトの1つのRGB-D画像が与えられた場合、TGrasp6Dは、与えられたタスクとオブジェクトのジオメトリに対して適切なセマンティックな余裕を持ち、初期タスク情報を生成する。 この前の生成は、タスクの一貫性を維持しながら衝突回避のための6DoFポーズ最適化によってさらに洗練される。 当社のアプローチでは,TaskGraspデータセットで94%,ベースラインが74%の最先端の成功率を実現しています。 我々はまた、Franka Research 3ロボットにアプローチを展開し、現実世界の物体へのゼロショットの一般化を実証する。

関連論文リスト

• GraspTwin: Zero-Shot Task-Oriented Grasp Optimization via a Digital Twin [10.148790838510847]
  多くのタスクは把握を必要とするが、ターゲットオブジェクトを拾うだけでは不十分であることが多い。 既存の学習に基づく把握アプローチでは、タスクに大きく依存しない、堅牢で衝突のない把握が見つかる。 本研究では、これらのアプローチを現実からシミュレート・トゥ・リアルなフレームワークで橋渡しする。
  論文  参考訳（メタデータ） (2026-09-24T20:50:26Z)
• Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
  テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。 我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。 RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
  論文  参考訳（メタデータ） (2026-08-26T17:59:34Z)
• FOUND-IT: Foundation-model-first Task-driven 3D Scene Graphs with Granularity on Demand [13.770305070674299]
  本研究では,階層型タスク駆動型3次元シーングラフをモノクロカメラを用いてリアルタイムに構築する手法を提案する。 シーングラフの幾何学的属性を推定するために,幾何学的基礎モデルを利用する。 我々のアプローチは、タスクに応じて地図内のオブジェクトや領域の粒度を調整するという意味でタスク駆動である。
  論文  参考訳（メタデータ） (2026-05-25T02:52:34Z)
• TOSC: Task-Oriented Shape Completion for Open-World Dexterous Grasp Generation from Partial Point Clouds [30.01480877745993]
  Task-Oriented Shape Completionは、全形状ではなく、潜在的な接触領域を完成させることに焦点を当てた新しいタスクである。 3次元識別型オートエンコーダを提案し,各生成した候補の妥当性を評価し,最も妥当な候補を最適化する。 FlowGraspという条件付きフローマッチングモデルを開発し、最適化された形状からタスク指向のデクサラスな把握を生成する。
  論文  参考訳（メタデータ） (2026-01-09T03:03:02Z)
• Information-Theoretic Graph Fusion with Vision-Language-Action Model for Policy Reasoning and Dual Robotic Control [22.74768543283102]
  Graph-Fused Vision-Language-Action (GF-VLA)は、デュアルアームロボットシステムがタスクレベルの推論と実行を可能にするフレームワークである。 GF-VLAはまずシャノン情報に基づく手がかりを抽出し、最も高いタスク関連性を持つ手や物体を識別する。 クロスハンド選択ポリシーは、明示的な幾何学的推論なしで最適な割り当てを推測する。
  論文  参考訳（メタデータ） (2025-08-07T12:48:09Z)
• Task-Oriented 6-DoF Grasp Pose Detection in Clutters [42.58168734905056]
  大規模6-DoFタスク指向把握データセットである6-DoFタスクグラフ(6DTG)を構築した。 各グリップには6つのタスクと198のオブジェクトを含む特定のタスクがアノテートされる。 我々のOne-Stage TaskGrasp(OSTG)は、タスク指向のポイント選択戦略を採用し、タスク指向のグリップ生成モジュールを用いて特定のタスクの把握方法を決定する。
  論文  参考訳（メタデータ） (2025-02-24T09:05:22Z)
• Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
  我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。 本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
  論文  参考訳（メタデータ） (2024-05-13T14:54:37Z)
• Unsupervised Task Graph Generation from Instructional Video Transcripts [53.54435048879365]
  本研究では,実世界の活動を行う指導ビデオのテキスト書き起こしを提供する環境について考察する。 目標は、これらの重要なステップ間の依存関係関係と同様に、タスクに関連する重要なステップを特定することです。 本稿では,命令調整言語モデルの推論能力とクラスタリングとランキングコンポーネントを組み合わせたタスクグラフ生成手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T22:50:08Z)

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。