GCNGrasp-VP: アフォーダンス誘導による視点計画を用いた効率的なタスク指向把持

- タスク指向把持の性能は物体の遮蔽により大きく低下する。 - 既存のタスク指向把持手法は、タスク関連領域が初期フレームで可視であると仮定する。 - 視点計画手法は能動的知覚を可能にするが、タスク意味論を無視し、時間のかかるシーン再構成に依存する。 - これらを解決するため、GCNGrasp-VPを提案。 - アフォーダンス場予測と能動的視点計画を統合した効率的フレームワーク。 - 中核はGCNGrasp-v2で、把持評価とアフォーダンス場予測を同時にサポートし、定数時間推論を実現。 - アフォーダンス誘導視点計画器（Affordance-VP）は、アフォーダンス場を情報利得指標として用い、シーン再構成なしでタスク関連領域を観測。

- 既存のタスク指向把持手法は初期フレームでタスク関連領域が可視であると仮定するが、本手法は遮蔽に対処。 - 既存の視点計画手法はタスク意味論を無視し、シーン再構成に依存するが、本手法はアフォーダンス場を情報利得指標として利用し、再構成不要。 - 視点計画結果では、シーン不確実性駆動のベースラインを1回の視点調整で大幅に上回る。 - 実世界検証では、単一物体シナリオで把持成功率が大幅に向上し、ミリ秒レベルの計算遅延を維持。

- GCNGrasp-v2：タスク指向把持モデルで、把持評価とアフォーダンス場予測を同時にサポートし、定数時間推論を実現。 - Affordance-VP：アフォーダンス場を情報利得指標として用い、カメラ観測をタスク関連領域に誘導。 - シーン再構成を必要としない。 - 視点計画は1回の視点調整で実行。

- 視点計画結果：シーン不確実性駆動のベースラインと比較し、1回の視点調整で大幅に優位。 - 実世界検証：単一物体シナリオで把持成功率が大幅に向上し、ミリ秒レベルの計算遅延を維持。 - コードとモデルは公開：https://github.com/Instinct323/GCNGrasp-VP

- 要旨からは不明。

- 要旨で参照/比較されている研究：タスク指向把持手法、視点計画手法、シーン不確実性駆動のベースライン。 - 関連手法：GCNGrasp-v2、Affordance-VP。 - 同分野の定番：タスク指向把持、能動的知覚、アフォーダンス学習。