論文の概要: DexGraspFlow: Topology-Aware SE(3) Flow Matching for Cross-Embodiment Dexterous Grasp Generation
- arxiv url: http://arxiv.org/abs/2610.26962v1
- Date: Sun, 18 Oct 2026 13:09:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.409929
- Title: DexGraspFlow: Topology-Aware SE(3) Flow Matching for Cross-Embodiment Dexterous Grasp Generation
- Title（参考訳）: DexGraspFlow:Topology-Aware SE(3) Flow Matching for Cross-Embodiment Dexterous Grasp Generation
- Abstract要約: DexGraspFlowは条件付きリンクレベルの$mathrmSE(3)$ flow-matchingフレームワークである。
局所オブジェクト幾何学、リンク幾何学、および現在のポーズを符号化する。
平均95.33%のシミュレーション成功率を実現し、逆キネマティクスを含む平均生成遅延は最先端のベースラインよりも約49%低い。
- 参考スコア（独自算出の注目度）: 30.097739845692928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differences in hand geometry, joint parameterization, and kinematic topology pose challenges for cross-embodiment dexterous grasp generation. However, spatial relations among links alone are insufficient to fully capture the hand's kinematic topology. We propose DexGraspFlow, a conditional link-level $\mathrm{SE}(3)$ flow-matching framework integrating geometric relations and kinematic topology. The framework encodes local object geometry, link geometry, and current poses. A dual-stream DiT models link--link coordination and link--object interaction, while attention biases derived from kinematic-tree distances provide explicit structural information for modeling evolving geometric interactions. The model jointly learns translational and rotational velocity fields, integrates them to generate link poses, and recovers joint configurations through inverse kinematics. Additionally, inference-time palm-orientation guidance enables controllable grasp generation without retraining. Across three robotic hands and 30 object--hand pairs, DexGraspFlow achieves a 95.33\% average simulation success rate, with an average generation latency, including inverse kinematics, approximately 49\% lower than that of a state-of-the-art baseline. Further experiments demonstrate zero-shot adaptability to seven finger-removal variants and palm-orientation control. A model trained on demonstrations for the deployed hand achieves a 91\% success rate over 100 real-robot grasping trials, supporting the framework's applicability to physical grasp execution.
- Abstract（参考訳）: 手形状, 関節パラメータ化, キネマティックトポロジーの相違は, クロス・エボディメント・デキスタラス・グリップ生成の課題を提起する。
しかし、リンク間の空間的関係だけでは、手のキネマティックトポロジーを完全に捉えるには不十分である。
幾何学的関係とキネマティックトポロジーを統合した条件付きリンクレベル$\mathrm{SE}(3)$フローマッチングフレームワークであるDexGraspFlowを提案する。
このフレームワークは、局所オブジェクトの幾何学、リンクの幾何学、現在のポーズをエンコードする。
二重ストリームDiTモデルはリンク-リンク協調とリンク-オブジェクト相互作用をモデル化する一方、キネマティックツリー距離から導かれる注意バイアスは、進化的幾何学的相互作用をモデル化するための明確な構造情報を提供する。
モデルは翻訳速度場と回転速度場を共同で学習し、それらを統合してリンクポーズを生成し、逆運動学を通して関節構成を復元する。
さらに、推測時パームオリエンテーションガイダンスにより、再トレーニングすることなく、制御可能なグリップ生成が可能となる。
3つのロボットハンドと30のオブジェクトハンドペアで、DexGraspFlowは95.33\%の平均的なシミュレーション成功率を達成し、逆運動学を含む平均生成遅延は最先端のベースラインよりも約49\%低い。
さらなる実験では、7つの指除去変種と手のひら指向制御に対するゼロショット適応性を示す。
デプロイされたハンドのデモに基づいてトレーニングされたモデルでは、100以上の実ロボットグリーティングトライアルに対して916%の成功率を実現し、物理的なグリーティング実行に対するフレームワークの適用性をサポートする。
関連論文リスト
- DEAL-Grasp: Decoupled Alignment Representation for Geometry-Aware Dexterous Grasp Generation [10.173872050793895]
既存の巧妙なグリップ合成法は、通常、関節空間におけるポーズを回帰または復調する。
本稿では,アライメント空間生成としてグリップ合成を再構成するDEAL-Graspを提案する。
MultiDexとゼロショットのRealDexベンチマーク全体で、DEAL-Graspは高い強制摂動成功率を達成する。
論文 参考訳（メタデータ） (2026-09-23T13:56:26Z) - 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) - MANGO-Grasp: Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping [82.63833405368159]
クロス・エボディメント・デキスタラス・グルーピングは、異種多指ハンド間の安定したグルーピングを、エンボディメント固有のチューニングをほとんど、あるいは全く行わずに合成することを目的としている。
物体を幾何学指向の3Dガウスプリミティブとして、ロボットハンドをモルフォキネマティックな記述子に符号化した表面キーポイントとして表現する異方性相互作用フレームワークであるMANGO-Graspを提案する。
論文 参考訳（メタデータ） (2026-08-03T10:12:15Z) - Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。
既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。
本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
論文 参考訳（メタデータ） (2026-03-04T11:38:12Z) - 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) - Skeleton-based sign language recognition using a dual-stream spatio-temporal dynamic graph convolutional network [5.682892456212134]
本稿では、幾何学モデルとジェスチャーモデルを分離した2重参照2重ストリームアーキテクチャであるDual-SignLanguageNetを紹介する。
DSLNetは、挑戦的なWLASL-100、WLASL-300、LSA64データセットでそれぞれ93.70%、89.97%、99.79%の精度を達成した。
論文 参考訳（メタデータ） (2025-09-10T14:58:21Z) - Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。
これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。
Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
論文 参考訳（メタデータ） (2022-07-04T16:35:58Z) - MotioNet: 3D Human Motion Reconstruction from Monocular Video with
Skeleton Consistency [72.82534577726334]
モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。
本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
論文 参考訳（メタデータ） (2020-06-22T08:50:09Z)
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。