把持/ベンチマーク2026/7/1arXiv:2607.14341

視覚的把持を超えて：検出から実行までの複雑な把持のベンチマーキング

Beyond Visual Grasping: Benchmarking Complex Grasping from Detection to Execution

複雑な実世界の把持タスクを評価するための新しいベンチマークGCA-Benchを提案し、従来の視覚ベースの把持検出を超えて、シーン推論と意味的制約を含むタスクでの大規模基盤モデルの性能を評価した。

詳しい要約

1. どんなもの？

- 複雑な把持タスクを評価するベンチマーク GCA-Bench を提案。 - 従来の把持ベンチマークは視覚ベースの把持姿勢検出に限定。 - GCA-Bench は scene-level reasoning と semantic constraints を含む grasping with complex action シナリオを特徴とする。 - 大規模基盤モデルを同一設定で評価可能。 - 従来の把持検出パイプラインから end-to-end 学習手法まで多様なベースラインを実装。

2. 先行研究と比べてどこがすごい？

- 既存の把持ベンチマークは isolated, visual-based grasp pose detection に焦点。 - 多段階推論や実行中の意味理解を必要とする把持タスクの複雑さを捉えられていない。 - GCA-Bench は scene-level reasoning と semantic constraints を組み込む点で先行研究と異なる。 - 大規模基盤モデルを同一設定で評価できる点が新しい。

3. 技術・手法の肝は？

- GCA-Bench は複雑な把持シナリオを設計し、scene-level reasoning と semantic constraints を課す。 - 従来の把持検出パイプラインから end-to-end 学習手法まで多様なベースラインを実装。 - 新しい評価指標を提案。 - 失敗モデルを分析。 - より堅牢で汎化可能な把持戦略の開発に向けた知見を提供。

4. どうやって有効だと検証した？

- GCA-Bench 上で多様なベースラインを評価。 - 複雑な把持シナリオでの成功率が 70% 未満であることを実証。 - これにより重要な限界を浮き彫りにした。 - 新しい評価指標と失敗モデル分析を実施。

5. 議論はある？

- 複雑な把持シナリオでの成功率が 70% 未満であり、既存手法の限界が示唆される。 - 失敗モデルの分析から、より堅牢で汎化可能な把持戦略の必要性が議論される。 - 具体的な議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として、視覚ベース把持検出の代表的手法（例: GraspNet, 6-DOF GraspNet）や大規模基盤モデル（例: GPT-4V, RT-2）が関連する。 - 具体的な次に読むべき論文は要旨からは不明。

※ 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: Hanyi Zhang, Khang Nguyen, Charith Munasinghe, Basu Hela, Tianyu Li, Zihong Luo, Hoan Nguyen, Hans Wernher van de Venn, Yalin Zheng, Ravi Prakash, Tung D. Ta, Anh Nguyen, Baoru Huang

分類: cs.RO, cs.AI

原文アブストラクト

Robust robotic grasping remains a fundamental challenge for complex real-world applications. Recent advances in large-scale models demonstrate promising capabilities for reasoning in robotic tasks. However, existing benchmarks for grasping primarily focus on isolated, visual-based grasp pose detection, failing to capture the complexity of grasping tasks that require multi-step reasoning and semantic understanding during execution. To address this gap, we propose GCA-Bench, a benchmark featuring challenging \textit{grasping with complex action} scenarios that involve both scene-level reasoning and semantic constraints. GCA-Bench enables the evaluation of recent large foundation models under the same settings. To demonstrate the effectiveness of our new benchmark, we implement a diverse set of baselines, ranging from traditional grasp detection pipelines to end-to-end learning methods. Empirical studies achieve success rates below 70\% on complex grasping scenarios, underscoring critical limitations. In addition, we propose new evaluation metrics, analyze critical failure models, and provide insights to guide the development of more robust and generalizable grasping strategies.

arXivで原文を読む →arXiv概要ページ

← 論文一覧