観測・行動の正準化による姿勢非依存のロボット機能的把持

- ロボットによる機能的把持（functional grasping）の研究。 - 対象はマグカップの取っ手把持（mug-handle grasping）。 - 多様な形状・姿勢（upright/inverted）に対応する単一の閉ループ方策を提案。 - シミュレーションで訓練し、実機にzero-shot転移するフレームワーク「AnyMug」。 - 観測と行動をcanonicalizationする点が特徴。

- 従来のgrasp pose detectionはopen-loopで、薄い取っ手の推定誤差に敏感。 - 学習ベースのvisuomotor policyは、物体配置による見え方と行動方向の結合変化を暗黙に学習する必要があり汎化が限定。 - AnyMugは観測と行動を物体中心の共通フレームに変換し、配置に依存しない一貫した把持行動を再利用可能。 - 単一の閉ループ方策で未見のupright/invertedマグに93%以上の成功率、実機で80%を達成。

- observation-action canonicalization：depth観測と予測end-effector actionを物体中心の共通フレームに変換。 - これにより方策は常にマグ中心の一貫した視点を得て、canonical方向に行動を出力。 - handle-aware reward：正確なアプローチ、グリッパ整列、対向指配置を促進。 - pose curriculumとdomain randomizationで訓練安定性とsim-to-real転移を改善。 - シミュレーションで訓練し、実機にzero-shot展開。

- シミュレーションで未見のuprightおよびinvertedマグに対し93%以上の成功率を達成。 - 実機Franka Pandaにzero-shot転移し、5つの未見物理マグで両姿勢カテゴリにわたり80%の成功率を達成。 - これにより提案手法の有効性を検証。

- 要旨からは不明。 - ただし、薄い取っ手の知覚・制御感度や配置変化への汎化が課題として背景にあり、提案手法がそれらを解決する方向性を示す。 - 限界や今後の課題についての議論は要旨では触れられていない。

- 要旨で参照/比較されている研究：grasp pose detection、learned visuomotor policies。 - 関連手法：reinforcement learning、domain randomization、sim-to-real transfer。 - 同分野の定番：functional grasping、mug-handle grasping、Franka Pandaを用いたロボット把持研究。