Steer2Grasp: 多様な物理的に実行可能な把持拡散のための推論時身体性考慮ステアリング

- 推論時におけるembodiment-awareなgrasp生成フレームワークSteer2Graspを提案。 - 凍結したCartesian grasp diffusion modelを、展開環境固有の報酬で適応させる。 - 学習不要でembodiment非依存、単腕・双腕把持を統一的に扱う。 - 物理的に実行可能な把持の多様性を向上させる。

- 既存のembodiment-aware手法は生成された把持の周囲で勾配誘導や最適化による局所修正を行う。 - 根本的に実行不可能なモードから回復することが難しい。 - 提案手法はFeynman-Kac inspired particle reweighting and resamplingにより、集団レベルで実行不可能なモードから高報酬モードへ質量を再配分する。 - 事前学習済み拡散モデルを変更せず、微分可能な制約も不要。

- 凍結したCartesian grasp diffusion modelを推論時に展開固有の報酬で操舵する。 - Feynman-Kac inspired particle reweighting and resamplingを採用。 - 実行不可能な把持モードから高報酬の把持モードへ集団質量を再配分し、集団レベルのモード遷移を実現。 - 単腕・双腕把持のためのreachability and collision aware rewardsを統一的に設計。 - その後、gradient free gripper level local refinementを行う。

- 多様な物体、ロボットembodiment、制約環境において評価。 - 実行可能な把持生成を大幅に改善しつつ、基盤となる把持事前分布との近接性を維持することを確認。 - 具体的なデータセット名や評価指標は要旨からは不明。

- 学習不要でembodiment非依存、微分可能制約不要という利点が議論されている。 - 単腕・双腕把持の統一的な扱いが可能。 - 限界や失敗事例、計算コストに関する議論は要旨からは不明。

- 要旨で参照されている具体的な先行研究は不明。 - 関連手法としてgrasp diffusion models、embodiment-aware grasp generation、Feynman-Kac inspired particle methods、gradient guidance、optimization-based grasp refinementが挙げられる。 - 同分野の定番としてgrasp diffusion modelsやembodiment-aware graspingの論文を読むべき。