論文の概要: DefFlow: Goal-Conditioned Deformable Object Manipulation using 3D Point Flows

• arxiv url: http://arxiv.org/abs/2610.22827v1
• Date: Fri, 16 Oct 2026 02:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.732257
• Title: DefFlow: Goal-Conditioned Deformable Object Manipulation using 3D Point Flows
• Title（参考訳）: DefFlow: 3次元ポイントフローを用いたゴールコンディション変形可能なオブジェクト操作
• Abstract要約: 変形可能なオブジェクトを広範囲な3D構成に向けてゴール条件で操作するためのフレームワークであるDefFlowを紹介した。 DefFlowは、ロボットと変形可能なオブジェクトの目標条件付き3Dポイントフローを共同で予測することで、デモから学習する。 この定式化は、いつ、どこで、どこで把握、解放、再彫刻するかといった操作の決定と、ゴールに到達するのに必要な正確な連続的な動きの両方をよりよく捉えていることを示す。
• 参考スコア（独自算出の注目度）: 11.834362057584253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manipulating deformable objects toward desired 3D configurations is a fundamental capability for robots operating in unstructured physical environments. However, as the range of possible initial and target configurations grows, goal-conditioned deformable manipulation requires a robot to infer increasingly diverse manipulation behaviors in addition to precise continuous actions. We introduce DefFlow, a framework for goal-conditioned manipulation of deformable objects toward a broad range of 3D configurations. DefFlow learns from demonstrations by jointly predicting the goal-conditioned 3D point flow of the robot and deformable object. We show that this formulation better captures both the manipulation decisions, such as when and where to grasp, release, or re-grasp, and the precise continuous motions required for goal reaching, rather than predicting only the robot flow. Across rope, granular-media, and cloth manipulation settings with diverse initial and target configurations, DefFlow substantially outperforms goal-conditioned action-prediction and robot-flow-only baselines on success rates and goal-distance metrics. We further demonstrate deployment of our framework on a real robot using real point-cloud observations and unseen goal configurations.
• Abstract（参考訳）: 変形可能なオブジェクトを所望の3D構成に向けて操作することは、非構造化物理環境で動作するロボットの基本的な機能である。 しかし、初期設定と目標設定の範囲が拡大するにつれて、目標条件の変形可能な操作には、正確な連続動作に加えて、より多様な操作行動をロボットが推測する必要がある。 変形可能なオブジェクトを広範囲な3D構成に向けてゴール条件で操作するためのフレームワークであるDefFlowを紹介した。 DefFlowは、ロボットと変形可能なオブジェクトの目標条件付き3Dポイントフローを共同で予測することで、デモから学習する。 この定式化は、ロボットの流れのみを予測するのではなく、いつ、どこで、いつ、どこで、どこで、リリースするか、または、また、ゴールに到達するのに必要な正確な連続的な動きを把握できることを示す。 ロープ、グラニュラルメディア、布の操作設定、さまざまな初期設定と目標設定、DefFlowは、成功率と目標距離の指標に基づいて、目標条件のアクション予測とロボットフローのみのベースラインを大幅に上回る。 さらに、実際のポイントクラウド観測と見当たらない目標設定を使用して、我々のフレームワークを実際のロボットにデプロイすることを実証する。

関連論文リスト

• AFUN: Towards an Affordance Foundation Model for Functionality Understanding [12.890216832485647]
  我々は,機能理解のための手頃な基礎モデルに向けたステップとして,我々のモデルを提示する。 我々は、異種ロボット、人間、シミュレーション、現実世界のスキャンデータを共有価格スキーマに変換する大規模な標準化データパイプラインを構築します。 私たちのモデルは、4つのベンチマークから8つのテストセットにまたがる大きなマージンで、すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T17:50:16Z)
• DiffusionAnything: End-to-End In-context Diffusion Learning for Unified Navigation and Pre-Grasp Motion [2.061143628317803]
  最近の視覚言語アクション(VLA)モデルは、視覚入力から直接アクションを推測するが、膨大な計算資源を必要とする。 本稿では,画像空間の拡散を統一的に行うことで,距離空間のナビゲーションとセンチメートルの操作を両立させる。 このモデルは、新規シーンへの堅牢なゼロショットの一般化を実現しつつ、オンボード展開に適している。
  論文  参考訳（メタデータ） (2026-03-27T11:40:13Z)
• Dream2Flow: Bridging Video Generation and Open-World Manipulation with 3D Object Flow [21.658558775915267]
  本研究では3次元オブジェクトフローを中間表現として,映像生成とロボット制御をブリッジするフレームワークDream2Flowを紹介する。 本手法は,生成した映像から3次元物体の動きを再構成し,物体軌跡追跡として定式化する。 Dream2Flowは、エボディメントギャップを克服し、事前訓練されたビデオモデルからのゼロショットガイダンスにより、さまざまなカテゴリのオブジェクトを操作することができる。
  論文  参考訳（メタデータ） (2025-12-31T10:25:24Z)
• NovaFlow: Zero-Shot Manipulation via Actionable Flow from Generated Videos [13.84832813181084]
  NovaFlowは、タスク記述をターゲットロボットの実行可能な計画に変換する、自律的な操作フレームワークである。 我々は,テーブルトップのフランカアームとスポット四足歩行ロボットを用いて,剛性,調音性,変形可能な物体操作タスクを検証した。
  論文  参考訳（メタデータ） (2025-10-09T17:59:55Z)
• EC-Flow: Enabling Versatile Robotic Manipulation from Action-Unlabeled Videos via Embodiment-Centric Flow [10.674192015199996]
  Embodiment-Centric Flow (EC-Flow)は、アクション未ラベルのビデオから操作を学ぶフレームワークである。 我々の重要な洞察は、エンボディメント固有のキネマティクスを取り入れることで、汎用的な操作シナリオへの一般化が著しく向上するということである。 EC-Flowを実行可能なロボットアクションに翻訳するには、キネマティックな制約を指定するのに標準的なロボットURDFファイルが必要である。
  論文  参考訳（メタデータ） (2025-07-08T17:57:03Z)
• G3Flow: Generative 3D Semantic Flow for Pose-aware and Generalizable Object Manipulation [65.86819811007157]
  本稿では,基礎モデルを活用した動的オブジェクト中心の3D表現であるリアルタイムセマンティックフローを構築する新しいフレームワークG3Flowを提案する。 提案手法は,デジタルツイン生成のための3次元生成モデル,セマンティック特徴抽出のための視覚基盤モデル,連続的なセマンティックフロー更新のためのロバストポーズ追跡を一意に組み合わせたものである。 本研究は,ロボット操作ポリシーのリアルタイムな動的意味的特徴理解におけるG3Flowの有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-11-27T14:17:43Z)
• Flow as the Cross-Domain Manipulation Interface [73.15952395641136]
  Im2Flow2Actは、現実世界のロボットのトレーニングデータを必要とせずに、ロボットが現実世界の操作スキルを習得することを可能にする。 Im2Flow2Actはフロー生成ネットワークとフロー条件ポリシーの2つのコンポーネントから構成される。 我々はIm2Flow2Actの様々な実世界のタスクにおいて、剛性、調音、変形可能なオブジェクトの操作を含む能力を実証する。
  論文  参考訳（メタデータ） (2024-07-21T16:15:02Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)

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。