DexGraspFlow：運動学的トポロジーを考慮したSE(3)フローマッチングによる異なるハンド構造への器用な把持生成

- 異なるロボットハンド(hand geometry・joint parameterization・kinematic topology の違い)をまたぐ dexterous grasp generation のためのフレームワーク。 - 条件付き link-level SE(3) flow matching を用い、link 間の幾何関係と kinematic topology を統合する。 - 対象物の局所形状・link 形状・現在の pose を入力とし、link pose を生成して inverse kinematics で関節構成を復元する。

- 従来は link 間の空間関係のみでは hand の kinematic topology を十分に捉えられないという課題があった。 - DexGraspFlow は kinematic-tree distances に基づく attention bias で構造情報を明示的に与える点が新しい。 - 3 種の robotic hands・30 の object–hand pairs で平均 95.33% の simulation success rate を達成。 - 生成 latency は inverse kinematics 込みで state-of-the-art baseline より平均約 49% 低い。

- 条件付き link-level SE(3) flow matching を採用し、並進・回転の velocity field を同時に学習して積分し link pose を得る。 - dual-stream DiT が link–link coordination と link–object interaction をモデル化する。 - kinematic-tree distances から導く attention bias で構造情報を注入する。 - 生成後は inverse kinematics で関節構成を復元する。 - 推論時に palm-orientation guidance を加え、再学習なしで把持生成を制御できる。

- 3 種の robotic hands と 30 の object–hand pairs で simulation 実験を行い、平均 95.33% の success rate を報告。 - state-of-the-art baseline と生成 latency を比較し、inverse kinematics 込みで平均約 49% 低減を確認。 - 7 種の finger-removal variants への zero-shot 適応と palm-orientation control を実験的に示す。 - 実機ハンドの demonstration で学習したモデルを 100 回の real-robot grasping trials に適用し、91% の success rate を得た。

- 実機 100 試行で 91% の success rate が得られ、physical grasp execution への適用可能性が示唆される。 - finger-removal variants への zero-shot 適応と palm-orientation control が可能である一方、その限界や失敗要因の詳細は要旨からは不明。 - 実機実験は展開するハンドの demonstration で学習したモデルに限られ、他ハンドへの実機転移の検証は要旨からは不明。

- 比較対象として言及される state-of-the-art baseline の詳細は要旨からは不明。 - 関連手法として flow matching、DiT (Diffusion Transformer)、inverse kinematics を挙げる。 - 同分野の定番として cross-embodiment dexterous grasp generation や SE(3) 上の生成モデルに関する研究を次に読むべき。