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:2511.23186

ロボット把持のための障害物推論

Obstruction reasoning for robotic grasping

シェア:XThreadsFacebookLINEはてブBluesky

散らかった環境で目標物体を把持するため、障害物を除去する行動順序を推論する視覚言語モデルUNOGraspを提案し、大規模データセットUNOBenchで訓練・評価した。

詳しい要約

1. どんなもの?

- ロボット把持のための obstruction reasoning(障害物推論)を扱う研究 - 混雑環境で目標物体を把持するには、事前に除去すべき障害物を推論する必要がある - 視覚接地された obstruction reasoning を行い、経路を空けて把持する行動列を推論する学習ベースの vision-language model「UNOGrasp」を提案 - 大規模データセット「UNOBench」も構築 - 実ロボット評価を含む実験で把持成功率の向上を示す

2. 先行研究と比べてどこがすごい?

- 既存の vision-language embodied reasoning モデルは創発的な spatial understanding を示すが、obstruction reasoning と accessibility planning は限定的 - UNOGrasp は目標物体由来の obstruction paths に基づく多段推論を導入 - obstruction-aware visual cues で各推論ステップを接地 - supervised と reinforcement finetuning を検証可能な reasoning rewards で組み合わせる - 合成・実環境の両方で generalist や proprietary の代替手法を上回ると報告

3. 技術・手法の肝は?

- 目標物体から生じる obstruction paths に基づく新規の multi-step reasoning プロセス - 各推論ステップを obstruction-aware visual cues でアンカーし推論能力を促す - supervised finetuning と reinforcement finetuning を verifiable reasoning rewards で統合 - UNOBench は MetaGraspNetV2 を基に構築 - 100k 以上の obstruction paths に obstruction ratios、contact points、自然言語指示を人手注釈

4. どうやって有効だと検証した?

- UNOBench を用いた学習とベンチマーク - 合成環境および実世界環境での広範な実験 - 実ロボット評価を実施 - obstruction reasoning と把持成功率の両面で改善を確認 - generalist および proprietary の代替手法と比較し優位と報告

5. 議論はある?

- 要旨からは不明 - 限界や失敗事例、obstruction reasoning の一般化可能性についての議論は要旨に記載なし

6. 次に読むべき論文は?

- MetaGraspNetV2(UNOBench の基盤データセット) - vision-language embodied reasoning モデルに関する先行研究(具体名は要旨からは不明) - generalist / proprietary の代替手法(具体名は要旨からは不明) - reinforcement finetuning と verifiable rewards を用いる関連研究(具体名は要旨からは不明)

※ 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: Runyu Jiao, Matteo Bortolon, Francesco Giuliari, Alice Fasoli, Sergio Povoli, Guofeng Mei, Yiming Wang, Fabio Poiesi

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Successful robotic grasping in cluttered environments not only requires a model to visually ground a target object but also to reason about obstructions that must be cleared beforehand. While current vision-language embodied reasoning models show emergent spatial understanding, they remain limited in terms of obstruction reasoning and accessibility planning. To bridge this gap, we present UNOGrasp, a learning-based vision-language model capable of performing visually-grounded obstruction reasoning to infer the sequence of actions needed to unobstruct the path and grasp the target object. We devise a novel multi-step reasoning process based on obstruction paths originated by the target object. We anchor each reasoning step with obstruction-aware visual cues to incentivize reasoning capability. UNOGrasp combines supervised and reinforcement finetuning through verifiable reasoning rewards. Moreover, we construct UNOBench, a large-scale dataset for both training and benchmarking, based on MetaGraspNetV2, with over 100k obstruction paths annotated by humans with obstruction ratios, contact points, and natural-language instructions. Extensive experiments and real-robot evaluations show that UNOGrasp significantly improves obstruction reasoning and grasp success across both synthetic and real-world environments, outperforming generalist and proprietary alternatives. Project website: https://tev-fbk.github.io/UnoGrasp/.

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