剛体グリッパからソフトグリッパへの把持姿勢変換：条件付きフローマッチングによるアプローチ

- 剛体グリッパーと軟体グリッパーの grasp synthesis の表現ギャップを埋める枠組み。 - Anygrasp などの剛体向け手法を軟体 Fin-ray gripper に適応すると、コンプライアント挙動を捉えられずデータ集約的で不正確になる問題に対処。 - Conditional Flow Matching (CFM) を用い、剛体グリッパーの grasp pose を軟体 Fin-ray gripper の pose へ写像。 - 深度画像から物体形状を条件付け、Anygrasp の初期 pose から安定した Fin-ray pose への連続写像を学習。

- 既存の Anygrasp など剛体平行グリッパー向け grasp synthesis を軟体に流用する手法と比較。 - 従来は軟体のコンプライアント挙動を捉えきれず、データ集約的で不正確なモデルになりがち。 - 提案手法は CFM により複雑な変換を学習し、データ効率的かつ効果的に grasp 戦略を転移。 - 7-DOF ロボットで、CFM 生成 pose が baseline の剛体 pose より高い成功率を示す。

- Conditional Flow Matching (CFM) を生成モデルとして使用。 - 剛体-軟体のペア grasp pose を生成するデータ収集パイプラインを構築。 - U-Net autoencoder が深度画像から物体形状を条件付け。 - CFM モデルが初期 Anygrasp pose から安定した Fin-ray gripper pose への連続写像を学習。

- 7-DOF ロボットで検証。 - 学習済み物体と未学習物体に対する全体成功率を比較。 - CFM 生成 pose は 34% (seen) と 46% (unseen) を達成し、baseline 剛体 pose の 6% と 25% を上回る。 - 円筒形物体で 50% (seen) と 100% (unseen)、球形物体で 25% (seen) と 31% (unseen) の成功率。 - 未学習物体への汎化も確認。

- CFM がデータ効率的で効果的な grasp 戦略転移手法であると主張。 - 他の軟体ロボットシステムにも拡張可能な方法論を提示。 - 限界や失敗事例、計算コスト、データ収集の詳細な議論は要旨からは不明。

- Anygrasp [1] (剛体平行グリッパー向け grasp synthesis の代表手法) - Conditional Flow Matching (CFM) の原論文 - Fin-ray gripper に関する研究 - U-Net autoencoder を用いた条件付き生成モデル - 軟体ロボットの grasp synthesis に関する関連研究