論文の概要: Skeleton-Guided Geometry-Aware Auto-Labeling for Robotic Grasping: From 4-DoF Learning to 6-DoF Execution

• arxiv url: http://arxiv.org/abs/2610.38443v1
• Date: Wed, 28 Oct 2026 08:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:39:30.345325
• Title: Skeleton-Guided Geometry-Aware Auto-Labeling for Robotic Grasping: From 4-DoF Learning to 6-DoF Execution
• Title（参考訳）: 4-DoF学習から6-DoF実行へ
• Abstract要約: ロボットの把握は、作成にコストがかかる大規模な手動のアノテートデータセットに依存している。 両指のグリップキーポイントを生成し,安定かつ実現可能なグリップに適した領域を特定するためのストレートスケルトンベースのアルゴリズムを提案する。 また,骨格に基づく誘導から幾何学的把握特徴を学習する4-DoFアーキテクチャである生成グラフ畳み込みニューラルネットワーク(SkelGG-CNN)を提案する。
• 参考スコア（独自算出の注目度）: 2.5899040911480182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic grasping relies on large manually annotated datasets, which are costly to create. We introduce a straight-skeleton-based algorithm for generating two-finger grasp keypoints and identifying regions suitable for stable, feasible grasps. Our automated pipeline produces consistent grasp annotations without human intervention. We also propose the Skeleton-based Generative Grasp Convolutional Neural Network (SkelGG-CNN), a 4-DoF architecture that learns geometric grasp features from skeleton-based guidance. To extend auto-labeling to 6-DoF grasping, we develop a generalized quasi-3D skeletonization algorithm that operates directly on point clouds. Using automatically generated 4-DoF labels, SkelGG-CNN achieves accuracies of 95.42%, 96.55%, and 97.1% on Jacquard V1, Jacquard V2, and Cornell, respectively. On the GraspNet novel split, 6-DoF auto-labeling achieves an average precision of 18.33, comparable to state-of-the-art model-based approaches. In simulation, the 6-DoF method achieves success rates of 98.4% on Dex-Net and 89.1% on EGAD!. Real-world experiments with a Delta parallel robot show success rates of 97.4% on single household objects and 95.0% in cluttered scenes, outperforming state-of-the-art methods without domain adaptation. The 4-DoF pipeline adapts across environments and produces annotations approaching human-level precision, enabling efficient training of lightweight models on small datasets. The generalized 6-DoF method provides scalable, geometry-aware annotations for cluttered 3D scenes.
• Abstract（参考訳）: ロボットの把握は、作成にコストがかかる大規模な手動のアノテートデータセットに依存している。 両指のグリップキーポイントを生成し,安定かつ実現可能なグリップに適した領域を特定するためのストレートスケルトンベースのアルゴリズムを提案する。 自動パイプラインは、人間の介入なしに一貫した理解アノテーションを生成する。 スケルトンをベースとした生成グラフ畳み込みニューラルネットワーク(SkelGG-CNN)も提案する。 自動ラベル化を6-DoFグルーピングに拡張するため, 点雲上で直接動作する一般化された準3Dスケルトン化アルゴリズムを開発した。 SkelGG-CNNは自動的に生成された4-DoFラベルを使用して、それぞれ95.42%、96.55%、97.1%の精度をジャカードV1、ジャカードV2、コーネルで達成している。 GraspNetの小説スプリットでは、6-DoFのオートラベルが18.33の平均精度を達成し、最先端のモデルベースのアプローチに匹敵する。 6-DoF法はDex-Netで98.4%、EGADで89.1%の成功率を達成した。 と。 デルタ・パラレル・ロボットを用いた実世界の実験では、単一家庭で97.4%、散在するシーンで95.0%の成功率を示し、ドメイン適応のない最先端の手法よりも優れていた。 4-DoFパイプラインは環境に適応し、人間レベルの精度に近づくアノテーションを生成し、小さなデータセット上で軽量モデルの効率的なトレーニングを可能にする。 一般化された6-DoF法は、散在した3Dシーンのためのスケーラブルで幾何学的なアノテーションを提供する。

関連論文リスト

• 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)
• Sculpting NeRF Geometry: Human-Preference Fine-Tuning of a 3D-Aware Face GAN [54.41783983744393]
  学習報酬から直接、事前学習した3D認識生成モデルを微調整する。 このモデルは事前訓練を必要とせず、小さな好みのサンプルで容易に訓練し、3次元幾何学において堅牢な改善をもたらす。 密度一貫性制約は、2次元の外観を定性的に類似させ、幾何が再形成され、測定可能だが有界な分布コストで保持する。
  論文  参考訳（メタデータ） (2026-06-25T17:26:06Z)
• Grasp Synthesis Matching From Rigid To Soft Robot Grippers Using Conditional Flow Matching [5.89165586721424]
  本稿では,剛性グリップパモデルから軟質フィン線グリップパへのグリップポーズをマッピングするための新しいフレームワークを提案する。 生成モデルである条件付きフローマッチング(CFM)を用いて,この複雑な変換を学習する。 U-Netオートエンコーダは、深度画像からオブジェクトの幾何学上のCFMモデルを条件付け、安定なFin-rayグッパーポーズに対する初期Anygraspのポーズから連続的なマッピングを学習することができる。
  論文  参考訳（メタデータ） (2026-02-19T06:12:29Z)
• Pseudo-keypoint RKHS Learning for Self-supervised 6DoF Pose Estimation [0.9208007322096533]
  6自由度ポーズ推定(6DoF PE)におけるシミュレーションと実領域ギャップに対処する。 本稿では,RKHS の学習可能なカーネルを用いて,このギャップを効果的に狭める,自己監督型キーポイント投票ベースの 6DoF PE フレームワークを提案する。 提案手法は,合成真実のポーズを持つ純粋合成データに基づいて事前学習されたアダプタネットワークであり,この元となる合成ドメインからターゲットとなる実領域へネットワークパラメータを進化させる。
  論文  参考訳（メタデータ） (2023-11-16T01:52:24Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)
• 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)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)

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。