日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
マニピュレーションarXiv:2603.16806

DexGrasp-Zero: 形態整合型ポリシーによるゼロショット異種エンボディ器用把持

DexGrasp-Zero: A Morphology-Aligned Policy for Zero-Shot Cross-Embodiment Dexterous Grasping

シェア:XThreadsFacebookLINEはてブBluesky

異なる多指ハンド間でゼロショット転移可能な器用把持ポリシーを提案。解剖学的ノードと直交運動プリミティブを用いた形態整合グラフ表現と、物理特性注入機構を備えたグラフ畳み込みネットワークにより、未見のハンドへの汎化を実現。

詳しい要約

1. どんなもの？

- 多様なdexterous handへのzero-shot cross-embodiment graspingを可能にするpolicy「DexGrasp-Zero」を提案。 - 異なるhandの運動学的keypointsを解剖学的nodeにマッピングし、tri-axial orthogonal motion primitivesを付与するmorphology-aligned graph representationを導入。 - このgraphをMorphology-Aligned Graph Convolutional Network (MAGCN)で符号化し、policy学習を行う。 - 4種の異なるhand (Allegro, Shadow, Schunk, Ability)でjoint trainingし、未見のhand (LEAP, Inspire)へzero-shot転移。

2. 先行研究と比べてどこがすごい？

- 既存手法は中間motion targetを予測し各embodimentにretargetするため、誤差やembodiment固有の制約違反が生じ、多様なhandへの転移が困難。 - 提案手法はretargetingを介さず、morphology-aligned graph表現により構造的・意味的アライメントを実現。 - 未見hardware (LEAP, Inspire)で85%のzero-shot成功率を達成し、state-of-the-art手法を59.5%上回る。 - 実世界でも3つのrobot platform (LEAP, Inspire, Revo2)で未見物体に対し平均82%の成功率。

3. 技術・手法の肝は？

- morphology-aligned graph representation: 各handの運動学的keypointsを解剖学的に根拠のあるnodeにマッピングし、各nodeにtri-axial orthogonal motion primitivesを付与。 - Morphology-Aligned Graph Convolutional Network (MAGCN): graphを符号化してpolicy学習。 - Physical Property Injection mechanism: hand固有の物理制約をgraph featuresに融合し、link長やactuation limitの変動に適応的に補償。 - これにより精密かつ安定したgraspingを実現。

4. どうやって有効だと検証した？

- シミュレーション: YCB dataset上で4種の異なるhand (Allegro, Shadow, Schunk, Ability)でjoint trainingし、未見hardware (LEAP, Inspire)でzero-shot評価。85%の成功率を達成。 - 実世界: 3つのrobot platform (LEAP, Inspire, Revo2)で未見物体に対するgraspingを評価し、平均82%の成功率を達成。 - 比較: state-of-the-art手法を59.5%上回る性能を確認。

5. 議論はある？

- 要旨からは不明。 - 想定される議論点: 異なるhand間のkinematicsや物理制約の違いへの対応、retargeting誤差の回避、実世界での汎化性能、計算コストなどが考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: state-of-the-art method (具体的名称は要旨からは不明)。 - 関連手法: cross-embodiment grasping, retargeting, graph convolutional network, dexterous hand manipulation。 - 同分野の定番: YCB datasetを用いたgrasping研究、Allegro/Shadow/Schunk/Ability/LEAP/Inspire/Revo2などのdexterous handプラットフォームに関する論文。

※ 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: Yuliang Wu, Yanhan Lin, WengKit Lao, Yuhao Lin, Yi-Lin Wei, Wei-Shi Zheng, Ancong Wu

分類: cs.RO, cs.AI

原文アブストラクト

To meet the demands of increasingly diverse dexterous hand hardware, it is crucial to develop a policy that enables zero-shot cross-embodiment grasping without redundant re-learning. Cross-embodiment alignment is challenging due to heterogeneous hand kinematics and physical constraints. Existing approaches typically predict intermediate motion targets and retarget them to each embodiment, which may introduce errors and violate embodiment-specific limits, hindering transfer across diverse hands. To overcome these limitations, we propose DexGrasp-Zero, a policy that learns universal grasping skills from diverse embodiments, enabling zero-shot transfer to unseen hands. We first introduce a morphology-aligned graph representation that maps each hand's kinematic keypoints to anatomically grounded nodes and equips each node with tri-axial orthogonal motion primitives, enabling structural and semantic alignment across different morphologies. Relying on this graph-based representation, we design a Morphology-Aligned Graph Convolutional Network (MAGCN) to encode the graph for policy learning. MAGCN incorporates a Physical Property Injection mechanism that fuses hand-specific physical constraints into the graph features, enabling adaptive compensation for varying link lengths and actuation limits for precise and stable grasping. Our extensive simulation evaluations on the YCB dataset demonstrate that our policy, jointly trained on four heterogeneous hands (Allegro, Shadow, Schunk, Ability), achieves an 85% zero-shot success rate on unseen hardware (LEAP, Inspire), outperforming the state-of-the-art method by 59.5%. Real-world experiments further evaluate our policy on three robot platforms (LEAP, Inspire, Revo2), achieving an 82% average success rate on unseen objects.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  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
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →