論文の概要: Uni-PNP: Unified Prehensile and Non-prehensile Policy Learning for Generalizable Object Pose Reaching
- arxiv url: http://arxiv.org/abs/2610.21735v1
- Date: Thu, 15 Oct 2026 11:53:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.056132
- Title: Uni-PNP: Unified Prehensile and Non-prehensile Policy Learning for Generalizable Object Pose Reaching
- Title（参考訳）: Uni-PNP:一般化可能なオブジェクトポーズリーチのための統一された精度と非包括的ポリシー学習
- Abstract要約: 多様なオブジェクトやグリップに到達したオブジェクトの包括的・非包括的操作を共同で学習する統一ポリシーであるUni-PNPを提案する。
実験では、何百ものグリップを持つ物体が76.39%成功し、57.91%が目に見えないピアで成功し、それぞれ20.52と17.79の比率で最強のポーズ取得ベースラインを上回った。
- 参考スコア（独自算出の注目度）: 20.794666992337095
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object manipulation often requires combining non-prehensile actions with grasping. However, existing approaches typically develop these capabilities separately and integrate them by sequencing distinct primitives through prescribed intermediate objectives, limiting the coordination of contact motions and grasping. Their integration also remains sensitive to object and gripper geometry and depends on particular environmental supports, complicating real-world deployment. We present Uni-PNP, a unified policy that jointly learns prehensile and non-prehensile manipulation for object pose reaching across diverse objects and grippers. To achieve this, we first pretrain a geometry encoder to predict contact-induced object motion using a contact-dynamics dataset constructed from simulated interactions between diverse objects and grippers. We then train the policy in a two-stage reinforcement learning curriculum from graspable objects to ungraspable peers, encouraging the discovery of non-prehensile interactions and their integration with grasping. Experiments show 76.39% success on hundreds of seen objects with grippers, and 57.91% on unseen peers, outperforming the strongest pose-reaching baseline by 20.52 and 17.79 percentage points, respectively. We also analyze emergent behaviors, including nonprehensile and prehensile repositioning, grasp acquisition that requires grasping after tipping, and table-assisted reorientation while grasping, and transfer to the real-world scenario. Project page available at lgswdn.github.io/Uni-PNP.
- Abstract（参考訳）: オブジェクト操作は、多くの場合、非包括的アクションと把握の組み合わせを必要とする。
しかし、既存のアプローチは一般的にこれらの機能を別々に開発し、特定の中間目的を通じて異なるプリミティブをシーケンシングすることで統合し、接触運動の調整や把握を制限している。
それらの統合は、オブジェクトやグリップの幾何学にも敏感であり、実際の展開を複雑にすることで、特定の環境サポートに依存している。
多様なオブジェクトやグリップに到達したオブジェクトの包括的・非包括的操作を共同で学習する統一ポリシーであるUni-PNPを提案する。
そこで我々はまず,多種多様な物体とグリップ間の模擬相互作用から構築した接触力学データセットを用いて,接触誘起物体の動きを予測するための幾何学的エンコーダを事前訓練した。
次に,2段階の強化学習カリキュラムの方針を,把握可能な対象から到達不可能な仲間へと学習し,非理解的相互作用の発見と把握との統合を奨励する。
実験では、何百ものグリップを持つ物体が76.39%成功し、57.91%が目に見えないピアで成功し、それぞれ20.52と17.79の比率で最強のポーズ取得ベースラインを上回った。
また、非包括的・包括的再配置、チップ後の把握を必要とする獲得の把握、把握中のテーブル支援的再配向、現実世界のシナリオへの移動など、創発的行動も分析する。
プロジェクトページは lgswdn.github.io/Uni-PNP で公開されている。
関連論文リスト
- Learning to infer and manipulate through distributed whole-arm interaction in a soft robot [10.64814207190881]
ゾウやタコのような動物では、物体に関する非視覚的な情報を取得し、それと物理的に関わることは不可分なプロセスである。
本稿では,タスク関連情報を共同で公開し,操作動作を整理する物理インテリジェンスフレームワークを提案する。
これを可能にする重要な革新は、(i)広いワークスペース探索の基準を提供する事前訓練された探索政策、(ii)単一のリカレントポリシー内での探索と把握を統合した共同最適化、(iii)観察マッピングと政策微調整を含む2段階のsim-to-real適応である。
論文 参考訳（メタデータ） (2026-08-31T13:35:00Z) - GIRAF: Towards Generalizable Human Interactions with Articulated Objects [50.52795413484619]
そこで本論文では,テキスト条件付き拡散モデルについて述べる。
提案手法は、現在最先端の手法を超越して、未確認のオブジェクト構成に強い一般化を示した。
論文 参考訳（メタデータ） (2026-07-08T19:30:44Z) - SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。
我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
論文 参考訳（メタデータ） (2026-05-13T07:37:00Z) - HeteroGenManip: Generalizable Manipulation For Heterogeneous Object Interactions [23.788389187142446]
クロスタイプオブジェクトインタラクションを含む一般化可能な操作は、ロボティクスにおいて決定的だが難しい能力である。
既存の基盤モデルに基づくアプローチは、しばしば、これらのステージの区別を曖昧にするエンドツーエンドの学習を採用する。
We propose HeteroGenManip, a task-conditioned, two-stage framework designed to deouple initial grasp from complex interaction execution。
論文 参考訳（メタデータ） (2026-05-11T08:48:02Z) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - InterPrior: Scaling Generative Control for Physics-Based Human-Object Interactions [58.329946838699044]
人間は、明示的な全身運動のレベルで、物体と全身の相互作用を計画することは滅多にない。
このような事前のスケーリングは、ヒューマノイドがロコ操作スキルの構築と一般化を可能にする鍵となる。
我々は,強化学習による大規模模倣事前学習とポストトレーニングを通じて,統合生成コントローラを学習するフレームワークであるInterPriorを紹介する。
論文 参考訳（メタデータ） (2026-02-05T18:59:27Z) - Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Learning Extrinsic Dexterity with Parameterized Manipulation Primitives [8.7221770019454]
我々は、オブジェクトのポーズを変えるために環境を利用する一連のアクションを学習する。
我々のアプローチは、オブジェクトとグリップと環境の間の相互作用を利用してオブジェクトの状態を制御することができる。
拘束されたテーブルトップワークスペースから様々な重量,形状,摩擦特性の箱状物体を選別する手法の評価を行った。
論文 参考訳（メタデータ） (2023-10-26T21:28:23Z) - InterTracker: Discovering and Tracking General Objects Interacting with
Hands in the Wild [40.489171608114574]
既存の方法は相互作用する物体を見つけるためにフレームベースの検出器に依存している。
本稿では,対話オブジェクトの追跡に手動オブジェクトのインタラクションを活用することを提案する。
提案手法は最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2023-08-06T09:09:17Z)
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。