日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2505.20814

空間認識型ロボット把持:汎用把持制御ポリシー

Spatial RoboGrasp: Generalized Robotic Grasping Control Policy

シェア:XThreadsFacebookLINEはてブBluesky

単眼深度推定と6自由度把持プロンプトを統合した空間表現と拡散ポリシーにより、環境変化に頑健な汎用ロボット把持を実現した。

詳しい要約

1. どんなもの?

- 多様な環境での汎用的かつ精密なロボットマニピュレーションを目指す統合フレームワーク - 頑健なマルチモーダル知覚と信頼性の高い把持予測を結合 - 下流の行動計画のための単一の空間表現を構築 - 拡散ベースの模倣学習ポリシーで精密な行動系列を生成 - 対象タスクは汎用ロボット把持(grasping)

2. 先行研究と比べてどこがすごい?

- 従来の模倣学習は生のRGB入力とhandcrafted featuresに依存 - その結果、overfittingや、照明・occlusion・物体条件の変化下での3D推論の劣化が課題 - 本研究は空間的に接地した知覚(spatially grounded perception)を導入 - 把持成功率を最大40%改善 - 環境変動下でのタスク成功率を45%向上 - 生RGB依存からの脱却と3D推論の頑健化が差分

3. 技術・手法の肝は?

- マルチモーダル知覚を統合した単一の空間表現を構築 - domain-randomized augmentation - monocular depth estimation - depth-aware 6-DoF Grasp Prompt - この空間表現と高レベルtask promptを条件として行動計画 - diffusion-based policyが精密な行動系列を出力 - 知覚から把持予測、行動計画までを一つの枠組みで結合

4. どうやって有効だと検証した?

- 把持成功率とタスク成功率で評価 - 把持成功率は最大40%改善 - 環境変動下のタスク成功率は45%向上 - 照明・occlusion・物体条件の変化を含む環境変動下で検証 - 具体的なデータセット名・実験設定の詳細は要旨からは不明

5. 議論はある?

- 空間的に接地した知覚と拡散ベース模倣学習の組合せが、汎用把持のスケーラブルで頑健な解になり得ると主張 - 生RGB入力やhandcrafted features依存の限界を空間表現で補う立場 - 限界・失敗事例・計算コスト・実機展開の詳細は要旨からは不明

6. 次に読むべき論文は?

- 要旨で直接参照/比較されている個別研究名は記載なし - 関連手法として以下が挙げられる - imitation learning(従来の模倣学習) - monocular depth estimation - 6-DoF Grasp - diffusion-based policy(拡散ポリシー) - domain randomization - 同分野の定番としてbehavior cloningや6-DoF grasp detectionの文献を次に読む候補とする

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yiqi Huang, Travis Davies, Jiahuan Yan, Jiankai Sun, Xiang Chen, Luhui Hu

分類: cs.RO, cs.CV

原文アブストラクト

Achieving generalizable and precise robotic manipulation across diverse environments remains a critical challenge, largely due to limitations in spatial perception. While prior imitation-learning approaches have made progress, their reliance on raw RGB inputs and handcrafted features often leads to overfitting and poor 3D reasoning under varied lighting, occlusion, and object conditions. In this paper, we propose a unified framework that couples robust multimodal perception with reliable grasp prediction. Our architecture fuses domain-randomized augmentation, monocular depth estimation, and a depth-aware 6-DoF Grasp Prompt into a single spatial representation for downstream action planning. Conditioned on this encoding and a high-level task prompt, our diffusion-based policy yields precise action sequences, achieving up to 40% improvement in grasp success and 45% higher task success rates under environmental variation. These results demonstrate that spatially grounded perception, paired with diffusion-based imitation learning, offers a scalable and robust solution for general-purpose robotic grasping.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI