日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作/意味再構築arXiv:2608.09778

RoboSeg: 単一のアイ・イン・ハンドカメラによるロボット操作のためのオンライン部品レベル意味再構築

RoboSeg: Online Part-Level Semantic Reconstruction for Robotic Manipulation via a Single Eye-in-Hand Camera

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作のための部品レベルの意味再構築システムを提案。VLMによる機能部品の発見とRGB-D再構築、SAM3によるマスク統合を組み合わせ、タスクに応じた把持生成を実現する。

詳しい要約

1. どんなもの?

RoboSegは、単一のEye-in-Handカメラを用いて、ロボット操作のためのパーツレベルの意味的再構成を行うオンラインシステムである。CADモデルや事前スキャンメッシュを必要とせず、VLMによる機能パーツの発見、非同期のRGB-D意味的再構成、タスク指向のグリップ生成を統合する。

2. 先行研究と比べてどこがすごい?

従来の知覚システムはオブジェクトカテゴリや点群全体に焦点を当てていたが、RoboSegはハンドルやリムなどの操作可能なパーツを特定する。また、CADモデルや事前スキャンを必要としない点で、既存の意味的再構成手法よりも柔軟である。

3. 技術・手法の肝は?

手法の核は、初期RGB観察からVLMを用いて機能パーツのプロンプトを取得し、高周波のジオメトリスレッド(RGB-DオドメトリとTSDF融合)とキーフレームトリガーのセマンティックスレッド(SAM3パーツマスク)を非同期に実行し、投影マスクをボクセルレベルの時間的投票で融合して永続的なパーツラベル付き点群を生成する点である。その後、AnyGraspの6-DoF候補をセマンティックパーツに割り当て、タスク関連のパーツラベルに一致するグリップを選択する。

4. どうやって有効だと検証した?

手動でラベル付けされたオブジェクトに対して平均パーツIoU 83.4%を達成した。さらに、4つのオブジェクトと8つのタスクにわたる24回の物理試験では、選択されたグリップが全試行で要求されたパーツに接触し、21/24の複合タスク成功率を達成した。

5. 議論はある?

要旨からは、システムの限界や潜在的な問題についての議論は不明である。ただし、AnyGraspを提案生成器として保持し、RoboSegをセマンティックインデックス層として特徴づけることで、グリップ生成とパーツ認識の分離が示唆される。

6. 次に読むべき論文は?

要旨で参照されているAnyGrasp、SAM3、およびVLM関連の研究が次に読むべき論文として挙げられる。具体的には、AnyGraspの元論文、SAM3の詳細、およびVLMによる機能パーツ発見の手法に関する論文が関連する。

※ 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: Zhaochen Lan, Mengxiang Lin

分類: cs.RO

原文アブストラクト

Robotic manipulation requires perception systemsthat identify actionable parts such as handles, rims, triggers,and tool tips, not merely object categories or point clouds. This paper presents RoboSeg, a part-level semantic reconstructionsystem that links vision-language model (VLM) functional-partdiscovery, asynchronous online RGB-D semantic reconstruc-tion, and task-oriented grasp generation without requiring CAD models or pre-scanned meshes. RoboSeg queries a VLM onthe initial RGB observation to obtain compact functional part prompts, then scans with two asynchronous streams: a high-frequency geometry thread for RGB-D odometry and truncated signed distance function (TSDF) fusion, and a keyframe-triggered semantic thread for SAM3 part masks. Projectedmasks are fused by voxel-level temporal voting into a persistentpart-labeled point cloud; RoboSeg uses this map to assign AnyGrasp 6-DoF candidates to semantic parts and select grasps consistent with the task-relevant part label. RoboSeg reaches 83.4% mean part intersection-over-union (mIoU) over manually labeled objects; in a 24-trial physical pilot across fourobjects and eight tasks, the selected grasp contacts the requestedpart in all trials and achieves 21/24 combined task successes.These results characterize RoboSeg as a semantic indexing layerfor task-conditioned manipulation, with AnyGrasp retained asthe proposal generator.

  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI