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:2507.19242

重心推定による未知物体の基盤モデル駆動把持

Foundation Model-Driven Grasping of Unknown Objects via Center of Gravity Estimation

シェア:XThreadsFacebookLINEはてブBluesky

拡散モデルで未知物体の重心位置を推定し、重心を考慮した安定な把持を実現する基盤モデルベースの手法を提案した。

詳しい要約

1. どんなもの?

- 不均一な質量分布を持つ未知物体の把持手法 - diffusion models を用いて物体の center of gravity (CoG) を推定 - foundation models ベースの vision-driven framework - CoG-aware grasping を実現する - 対象課題 - CoG の偏りが把持後の姿勢不安定を招く問題 - 既存の keypoint-based / affordance-driven 手法の限界に対処

2. 先行研究と比べてどこがすごい?

- 従来の keypoint-based 手法との比較 - 実世界評価で成功率が 49% 向上 - state-of-the-art の affordance-driven 手法との比較 - 成功率が 11% 改善 - 未知物体への汎化 - 未見物体で CoG 推定精度 76% を達成 - 不均一質量分布という設定に着目した点が新規

3. 技術・手法の肝は?

- diffusion models を活用した CoG 位置推定 - 画像から CoG を localize - foundation models に基づく vision-driven framework - CoG-aware grasping を実現 - データセット構築 - 不均一分布物体の画像 790 枚 - CoG localization 用の keypoint annotations を付与 - 詳細なアーキテクチャや学習手順は要旨からは不明

4. どうやって有効だと検証した?

- 実世界シナリオでの実験評価 - keypoint-based 手法比で成功率 49% 向上 - affordance-driven 手法比で 11% 改善 - 未知物体での CoG 推定精度 76% を報告 - 具体的な評価プロトコルや被験物体数は要旨からは不明

5. 議論はある?

- 不均一質量分布物体の把持安定性に対する有効性を示唆 - 未知物体への汎化性能を報告 - 限界や失敗要因の詳細な議論は要旨からは不明 - データセット規模や実環境多様性に関する議論は要旨からは不明

6. 次に読むべき論文は?

- keypoint-based grasping の関連研究 - affordance-driven grasping の関連研究 - diffusion models を用いたロボット知覚・把持研究 - foundation models を活用した robotic grasping 研究 - 要旨で具体的な論文名の参照はなし

※ 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: Kang Xiangli, Yage He, Xianwu Gong, Zehan Liu, Yuru Bai

分類: cs.RO

原文アブストラクト

This study presents a grasping method for objects with uneven mass distribution by leveraging diffusion models to localize the center of gravity (CoG) on unknown objects. In robotic grasping, CoG deviation often leads to postural instability, where existing keypoint-based or affordance-driven methods exhibit limitations. We constructed a dataset of 790 images featuring unevenly distributed objects with keypoint annotations for CoG localization. A vision-driven framework based on foundation models was developed to achieve CoG-aware grasping. Experimental evaluations across real-world scenarios demonstrate that our method achieves a 49\% higher success rate compared to conventional keypoint-based approaches and an 11\% improvement over state-of-the-art affordance-driven methods. The system exhibits strong generalization with a 76\% CoG localization accuracy on unseen objects, providing a novel solution for precise and stable grasping tasks.

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

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