日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

把持arXiv:2506.06535

MapleGrasp: マスク誘導特徴プーリングによる言語駆動型効率的ロボット把持

MapleGrasp: Mask-guided Feature Pooling for Language-driven Efficient Robotic Grasping

シェア:XThreadsFacebookLINEはてブBluesky

言語指示とRGB-D画像から把持姿勢を予測する際、CLIP特徴からセグメンテーションマスクを予測しその内部で特徴をプーリングすることで計算効率と精度を向上させ、大規模データセットRefGraspNetも提案した研究。

詳しい要約

1. どんなもの?

- 言語駆動ロボット把持(LDRG)の新フレームワーク MapleGrasp を提案 - 自然言語クエリと RGB-D 画像から安定した grasp pose を予測 - mask-guided feature pooling により vision-language 駆動把持を効率化 - 2段階学習を採用 - 第1段階: CLIP ベースの vision-language 特徴から segmentation mask を予測 - 第2段階: mask 内で特徴を pooling し pixel-level の把持予測を生成 - 新データセット RefGraspNet を導入 - 既存代替より8倍大きいオープンソースデータセット - open-vocabulary 把持の汎化を強化

2. 先行研究と比べてどこがすごい?

- 従来の LDRG 手法に対し mask pooling の導入で OCID-VLG benchmark 上 7% 改善 - 既存データセットより8倍大きい RefGraspNet を構築し open-vocabulary 汎化を大幅に強化 - RefGraspNet benchmark で競合手法比 89% の高い grasping accuracy - LIBERO benchmark ではより大規模な Vision-Language-Action モデルに匹敵する性能 - 未見タスクへの汎化は大幅に優れる - 実機 Franka arm で未見物体に対し 73% 成功率、競合 baseline を 11% 上回る

3. 技術・手法の肝は?

- mask-guided feature pooling が中核 - 第1段階で CLIP ベース vision-language 特徴から segmentation mask を予測 - 第2段階で mask 内に限定して特徴を pooling し pixel-level grasp を予測 - mask 内 pooling により計算量を削減し効率化 - 2段階の学習パイプラインで mask 予測と把持予測を分離 - 詳細なアーキテクチャや損失関数は要旨からは不明

4. どうやって有効だと検証した?

- OCID-VLG benchmark で mask pooling による 7% 改善を報告 - 新規 RefGraspNet benchmark で 89% の grasping accuracy を達成 - LIBERO benchmark で大規模 Vision-Language-Action モデルと比較し同等性能、未見タスク汎化で優位 - 実機 Franka arm による実世界実験で未見物体 73% 成功率、baseline 比 +11% - 詳細な実験設定・被験者数・試行回数は要旨からは不明

5. 議論はある?

- mask 予測誤りが下流の把持予測に与える影響は要旨からは不明 - RefGraspNet の収集方法・多様性・バイアスは要旨からは不明 - 実機実験の被験者数や試行回数、統計的有意性は要旨からは不明 - 計算効率の定量的な比較(推論時間・メモリ等)は要旨からは不明 - 限界や失敗事例の分析は要旨からは不明

6. 次に読むべき論文は?

- CLIP ベースの vision-language 特徴を用いた把持研究(例: CLIP 関連の LDRG 手法) - OCID-VLG benchmark を提案した研究 - LIBERO benchmark を用いた Vision-Language-Action モデル研究 - open-vocabulary 把持のデータセット研究(RefGraspNet の比較対象) - mask-guided な特徴 pooling や segmentation を用いたロボット把持の関連手法

※ 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: Vineet Bhat, Naman Patel, Prashanth Krishnamurthy, Ramesh Karri, Farshad Khorrami

分類: cs.RO

原文アブストラクト

Robotic manipulation of unseen objects via natural language commands remains challenging. Language driven robotic grasping (LDRG) predicts stable grasp poses from natural language queries and RGB-D images. We propose MapleGrasp, a novel framework that leverages mask-guided feature pooling for efficient vision-language driven grasping. Our two-stage training first predicts segmentation masks from CLIP-based vision-language features. The second stage pools features within these masks to generate pixel-level grasp predictions, improving efficiency, and reducing computation. Incorporating mask pooling results in a 7% improvement over prior approaches on the OCID-VLG benchmark. Furthermore, we introduce RefGraspNet, an open-source dataset eight times larger than existing alternatives, significantly enhancing model generalization for open-vocabulary grasping. MapleGrasp scores a strong grasping accuracy of 89\% when compared with competing methods in the RefGraspNet benchmark. Our method achieves comparable performance to larger Vision-Language-Action models on the LIBERO benchmark, and shows significantly better generalization to unseen tasks. Real-world experiments on a Franka arm demonstrate 73% success rate with unseen objects, surpassing competitive baselines by 11%. Code is provided in our github repository.

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. 2GXO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
  3. 3newmo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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI