変形物体マニピュレーション2026/10/12arXiv:2610.16293

ClothAtlas: 自己遮蔽下での衣服の同定と状態推定の同時実行

ClothAtlas: Joint Garment Identification and State Estimation under Self-Occlusion

部分的な点群と正規メッシュのライブラリから、衣服の種類を特定しつつ完全な形状を推定するグラフ条件付きフローマッチング手法を提案。再学習なしで新しい衣服にも対応し、把持位置の推定精度も向上させた。

詳しい要約

1. どんなもの？

- 部分点群とcanonical meshライブラリから、garmentの同定と完全なconfiguration推定を同時に行う手法ClothAtlasを提案。 - self-occlusion下での部分観測という難問に対処。 - 共有graph-conditioned flow-matching modelで候補meshごとにconfigurationをサンプリングし、観測適合度で候補をランク付け。 - 異なるmesh形状・頂点数・connectivityに対応し、再学習なしで新規garmentをcanonical meshのみから追加可能。

2. 先行研究と比べてどこがすごい？

- 従来はgarment同定とconfiguration推定が相互依存するchicken-and-egg問題であった。 - 決定論的graph estimatorではself-occluded観測から8/22しか同定できないのに対し、ClothAtlasは15/22を同定。 - dense descriptor matchingと比べ、実garment上のgrasp-target localization誤差を平均15.4→6.4 cm、occluded targetで17.0→8.3 cmに低減。 - 再学習なしで新規garmentを追加できる点も先行手法と異なる。

3. 技術・手法の肝は？

- 共有graph-conditioned flow-matching modelを核とする。 - 各候補meshに対してconfigurationをサンプリングし、観測適合度で候補をランク付け。 - 異なるmesh形状・vertex数・connectivityを扱える設計。 - persistent vertex identitiesによりgrasp-target localizationを支援。

4. どうやって有効だと検証した？

- held-out DexGarmentLab garmentsで評価。 - 単一flat観測から221候補中22 test garmentsすべてで正しいmeshを1位にランク付け。 - 単一self-occluded観測から15/22同定(決定論的graph estimatorは8/22)。 - 実garment上のgrasp-target localization誤差をdense descriptor matchingと比較し低減を確認。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算コスト、ライブラリ依存性などについての議論は要旨に記載なし。

6. 次に読むべき論文は？

- DexGarmentLab(評価データセット) - graph-conditioned flow-matching - deterministic graph estimator(比較対象) - dense descriptor matching(比較対象) - canonical meshライブラリを用いるgarment manipulation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: Jens Lundell, Alberta Longhini, Lei Shu, Hemal Arora, Evan Robert, Carlota Parés-Morlans, Marcel Büsching, Mårten Björkman, Jeannette Bohg

分類: cs.CV, cs.RO

原文アブストラクト

Garment manipulation requires inferring both garment identity and complete configuration from partial, self-occluded observations. This creates a chicken-and-egg problem: completing a partial observation requires a garment-specific deformation prior, while identifying the garment requires a configuration that explains the observation. We introduce ClothAtlas, which jointly identifies garments and estimates their complete configurations from partial point clouds and a library of canonical meshes. A shared graph-conditioned flow-matching model samples configurations for each candidate mesh and ranks candidates by observation fit. The model accommodates different mesh shapes, vertex counts, and connectivities, allowing new garments to be added from canonical meshes alone without retraining. On held-out DexGarmentLab garments, ClothAtlas ranks the correct mesh first among 221 candidates for all 22 test garments from a single flat observation. From a single self-occluded observation, it identifies 15/22 garments, compared with 8/22 for a deterministic graph estimator. Persistent vertex identities support grasp-target localization on real garments, reducing mean error from 15.4 to 6.4 cm overall and from 17.0 to 8.3 cm on occluded targets compared with dense descriptor matching. Project page: https://clothatlas.github.io/

arXivで原文を読む →arXiv概要ページ

ClothAtlas: 自己遮蔽下での衣服の同定と状態推定の同時実行

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

OZ GAMING（GPU搭載BTOゲーミングPC）

双腕モバイルマニピュレーター OpenShell