論文の概要: T(R,O) Grasp++: Cross-Embodiment Dexterous Grasping in Cluttered Environments at Scale

• arxiv url: http://arxiv.org/abs/2610.25410v1
• Date: Sun, 18 Oct 2026 17:08:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:29:13.89286
• Title: T(R,O) Grasp++: Cross-Embodiment Dexterous Grasping in Cluttered Environments at Scale
• Title（参考訳）: T(R,O) Grasp++: 大規模クラッタ環境におけるクロス・エボディメント・デクサラス・グラッピング
• Abstract要約: 散らばったシーンで不規則につかむことは、ロボット操作において依然として中心的な課題である。 我々は、0.5Bのグリップアノテーションを含む、これまでで最大のシミュレーションベンチマークの1つを紹介した。 本稿では,T(R,O) Grasp++を提案する。
• 参考スコア（独自算出の注目度）: 9.726212295848438
• License:
• Abstract: Dexterous grasping in cluttered scenes remains a central challenge in robotic manipulation, as it requires high-dimensional hand coordination under complex object-environment constraints. To address this problem, we introduce one of the largest simulation benchmarks to date, comprising around 0.5B grasp annotations across eight dexterous hands and approximately 50K objects. Furthermore, we propose T(R,O) Grasp++, a scalable diffusion-based framework for cross-embodiment dexterous grasp synthesis in cluttered environments. Extensive experiments demonstrate that our model significantly outperforms existing baselines, achieving an average success rate of 88% across eight dexterous embodiments. Meanwhile, our pipeline achieves only 0.3s inference latency while improving inference sample efficiency by over 10 times.
• Abstract（参考訳）: 複雑な物体環境制約下での高次元の手の調整を必要とするため、散らばったシーンでの有害な把握はロボット操作において依然として中心的な課題である。 この問題に対処するため,本研究では,8つの手と約50Kオブジェクトにわたる約0.5Bのアノテーションを把握可能な,これまでで最大規模のシミュレーションベンチマークを紹介する。 さらに,T(R,O) Grasp++を提案する。 大規模な実験により,本モデルが既存のベースラインを著しく上回り,8つのデキスタスエンボディメントの平均成功率は88%に達することが示された。 一方、パイプラインは0.3秒の推論レイテンシしか達成できませんが、推論サンプル効率を10倍以上向上させています。

関連論文リスト

• Inference-Time Refinement Closes the Synthetic-Real Gap in Tabular Diffusion [8.745106905496282]
  凍結したトレーニング済みのバックボーン上で動作可能な推論時間改善フレームワークを提案する。 推論時間の改善は、1つのコンシューマグレードのGPU上で1～80分でリアルタイムユーティリティを超えます。
  論文  参考訳（メタデータ） (2026-05-07T13:37:03Z)
• ProjFlow: Projection Sampling with Flow Matching for Zero-Shot Exact Spatial Motion Control [24.778385441690464]
  ProjFlowは、運動リアリズムを保ちながら、線形空間制約のゼロショット、正確な満足度を達成する訓練不要なサンプルラーである。 鍵となる進歩は、骨格トポロジーを符号化する新しいキネマティクス対応計量である。 代表的な応用, モーションインペイント, 2D-to-3Dリフト実験では, ProjFlowがゼロショットベースラインよりも正確な制約満足度と一致し, 現実性を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-26T08:29:25Z)
• 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)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• DexGraspNet 2.0: Learning Generative Dexterous Grasping in Large-scale Synthetic Cluttered Scenes [18.95051035812627]
  1319のオブジェクト,8270のシーン,4億2700万のグリップを含む大規模合成ベンチマークを提示する。 また,局所幾何学を条件とした拡散モデルを用いて,データから効率的に学習する新しい2段階把握手法を提案する。 テスト時間深度復元の助けを借りて,ゼロショット・シム・トゥ・リアル・トランスファーを実証し,90.7%の精度で撮影に成功した。
  論文  参考訳（メタデータ） (2024-10-30T13:30:39Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
  非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。 これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-05-05T02:11:57Z)
• Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes [50.303361537562715]
  6-DoFパラレルジャッジの分布を効率的に生成するエンドツーエンドネットワークを提案する。 観測された点群の6-DoF把握ポーズと幅を根付かせることで、把握表現の寸法を4-DoFに縮小することができます。 構造クラッタにおける未知物体のロボット把持実験では, 90%以上の成功率を達成し, 最近の最先端手法と比較して, 故障率を半分に削減した。
  論文  参考訳（メタデータ） (2021-03-25T20:33:29Z)

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。