日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2609.21511

HANDS 2026チャレンジ準優勝解法:把持動作生成のための単発軌道ワーピング

2nd Place Solution to the HANDS 2026 Workshop Challenge-Dexterous Grasp Motion Track: Single-Shot Trajectory Warping for Grasp Motion Generation

シェア:XThreadsFacebookLINEはてブBluesky

把持の成功実演を1回だけ観測して12次元のワープを出力し、開ループで再生することで、未知物体への把持動作を生成する手法を提案した。

詳しい要約

1. どんなもの?

- HANDS 2026 workshop challenge (Dexterous Grasp Motion track) の2位解法 - 12-DoF LinkerHand O6 の grasp motion generation を対象 - ランダムな初期手姿勢から未見物体への reach-and-lift 軌道を simulation で生成 - 各 grasp は約70ステップの12次元決定を要し誤差が累積 - テスト物体や物理ダイナミクスが訓練時と異なる可能性がある

2. 先行研究と比べてどこがすごい?

- 従来の逐次的な motion generation ではなく、単一の成功 GraspM3 demonstration を編集する方式 - 方針は物体を一度観測し12-D warp を出力、その後 open-loop で再生 - これにより誤差累積を回避 - 全4,824訓練物体で並列に one-step PPO により warp policy を訓練 - easy track で94.61%の成功率を達成し全提出中最高、hard track で57.18%

3. 技術・手法の肝は?

- 単一の成功 GraspM3 demonstration を編集する - policy が物体を一度観測し、12-D warp を出力 - 出力された warp を open-loop で再生 - warp policy は one-step PPO で全4,824訓練物体を並列に訓練

4. どうやって有効だと検証した?

- private test set で評価 - easy track で94.61%の成功率(全提出中最高) - hard track で57.18%の成功率

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- GraspM3 - PPO - HANDS 2026 workshop challenge (Dexterous Grasp Motion track) の関連研究

※ 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: Muneeb A. Khan, Woojin Kim, Shinwoo Kim, Muhammad Munsif, Binod Bhattarai, Seungryul Baek

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

This report describes our 2nd place solution to the HANDS 2026 workshop challenge (Dexterous Grasp Motion track) in conjunction with ECCV 2026. In this challenge, we address grasp motion generation for the 12-DoF LinkerHand O6, aiming to produce physically plausible reach-and-lift trajectories for unseen objects from randomized initial hand poses in simulation. This task is particularly challenging because each grasp requires a per-step policy to make approximately $70$ twelve-dimensional decisions, with errors accumulating over time, while test objects and physical dynamics may differ from those encountered during training. To address these challenges, we propose editing a single successful GraspM3 demonstration instead of generating the motion step by step: a policy observes the object once and outputs a 12-D warp of the demonstration, which is then replayed open-loop. Moreover, we train the warp policy with one-step PPO over all $4{,}824$ training objects in parallel. As a result, our method achieved success rates of $94.61\%$ on the easy track, the highest of all submissions, and $57.18\%$ on the hard track of the private test set.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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