UltraDexGrasp: 合成データによる双腕ロボットの汎用器用把持の学習

- 両手ロボットによる汎用巧み把持（universal dexterous grasping）のためのフレームワーク UltraDexGrasp を提案。 - 最適化ベースの把持合成と計画ベースのデモ生成を統合したデータ生成パイプラインを構築。 - 1,000物体・2,000万フレームからなる大規模多戦略把持データセット UltraDexGrasp-20M を公開。 - 点群入力から片方向 attention で特徴集約し制御指令を予測する把持 policy を開発。 - 合成データのみで学習し、zero-shot sim-to-real 転移を実現、実世界で平均成功率 81.2%。

- 従来は parallel-gripper や単腕ハンドの把持が中心で、両手ロボットの巧みな把持は未開拓。 - 両手巧み把持ではデータ不足が主要なボトルネックだった。 - 物理的に妥当で幾何学的に適合し、外部 wrench に耐える把持の実現が困難だった。 - 本研究はデータ生成パイプラインと大規模データセットを提供し、多戦略把持を可能にした点が新しい。 - 合成データのみで zero-shot sim-to-real を達成し、実世界で高い成功率を示した点が先行研究と異なる。

- 最適化ベースの把持合成と計画ベースのデモ生成を組み合わせたデータ生成パイプライン。 - 複数の把持戦略にわたる高品質で多様な軌道を生成。 - 1,000物体・2,000万フレームの UltraDexGrasp-20M を構築。 - 把持 policy は点群を入力とし、unidirectional attention でシーン特徴を集約。 - 集約特徴から制御コマンドを予測するシンプルかつ効果的な構成。

- UltraDexGrasp-20M を用いて把持 policy を学習。 - 合成データのみで学習し、zero-shot sim-to-real 転移を検証。 - 実世界で形状・サイズ・重量の異なる新規物体に対して連続的に成功。 - 実世界の汎用巧み把持で平均成功率 81.2% を達成。 - データ生成パイプラインをオープンソース化し再現性に貢献。

- 両手巧み把持におけるデータ不足の解決を目指す。 - 物理的妥当性と幾何学的適合性、外部 wrench への耐性が課題として挙げられている。 - 合成データのみで実世界に転移できることを示したが、限界や失敗事例の詳細は要旨からは不明。 - 多戦略把持の評価や他手法との比較の詳細は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として parallel-gripper grasping、single-hand dexterous grasping、bimanual dexterous grasping の研究が挙げられる。 - データ生成や sim-to-real 転移に関連する一般的な手法（optimization-based grasp synthesis、planning-based demonstration generation、unidirectional attention）も参考になる。