HuG: 能動知覚を備えたヒューマノイド全身アフォーダンス認識型把持の学習

- HuG は humanoid による whole-body affordance-aware grasping のためのフレームワーク - 対象は人間環境での物体把持 - 課題は egocentric 視点での部分遮蔽と、base 安定性を保ちつつ target を見続け到達する coordinated whole-body motion - Perceive-Align-Grasp pipeline で perception と action を結合 - simulation のみで学習し real demonstration はゼロ

- 先行研究との具体的比較は要旨からは不明 - 特徴として viewpoint を明示的な decision variable として扱う belief-driven active perception を導入 - kinematic validity だけでなく controller-in-the-loop dynamics simulation でデータを選別 - kinematically valid な grasp の 73% を棄却し kinodynamically feasible な affordance を学習 - zero real demonstrations で real-world 87.5% 成功を報告

- Perceive-Align-Grasp pipeline の3段構成 - belief-driven active perception が occlusion を解消し viewpoint を決定変数として扱う - point-cloud-conditioned affordance policy が whole-body grasp を提案 - affordance-aware alignment が最も実行可能な configuration へ body を再配置 - floating base では kinematic validity が不十分との洞察 - controller-in-the-loop dynamics simulation で training data を curate

- simulation のみで学習し real-world で評価 - multi-level shelf task で real-world success 87.5% - novel objects へ汎化 - 試験した各 height で少なくとも 73% の success - simulation の scale 実験で training 時に見ていない低い table height でも成功し空間的 extrapolation を示す

- floating base における kinematic validity の限界を指摘 - kinematically valid でも deployment controller を不安定化する grasp を 73% 棄却 - kinodynamically filtered synthetic data が affordance を memorized configuration ではなく object geometry と whole-body feasibility に接地させるという主張 - 限界や失敗要因の詳細は要旨からは不明

- controller-in-the-loop dynamics simulation を用いた学習 - point-cloud-conditioned affordance policy - belief-driven active perception - whole-body grasping for humanoid - 具体的な参照論文は要旨からは不明