Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

FFHFlow: Diverse and Uncertainty-Aware Dexterous Grasp Generation via Flow Variational Inference

Created by
  • Haebom

作者

Qian Feng, Jianxiang Feng, Zhaopeng Chen, Rudolph Triebel, Alois Knoll

概要

部分的な観測から多様で不確実性を認識する複数指の手のグリップを合成することは、ロボット学習において重要な課題として残っています。従来の生成モデルは、手の込んだ手の複雑なグリップ分布をモデル化するのが困難であり、部分的な点群に固有の形態の不確実性を考慮せず、信頼できないか過度に保守的なグリップを生成することがよくあります。本稿では、部分的な点群の知覚不確実性を明示的に定量化しながら、多様で堅牢なマルチフィンガーグリップを生成するフローベースの変分フレームワークであるFFHFlowを提案します。提案された方法は、正規化フローベースの深い潜在変数モデルを利用して階層的グリップ多様体を学習することによって、条件付き変分オートエンコーダ（cVAEs）のモード崩壊と固定事前制限を克服します。フローの可逆性と正確な可能性を活用して、FFHFlowは部分的な観測で形状不確実性を内部的に調査し、新しいオブジェクト構造を識別してリスクを認識するグリップ合成を可能にします。信頼性をさらに高めるために、流れの可能性と判別的なグリップ評価器を統合し、形の曖昧性に強いグリップを優先する不確実性認識ランキング戦略を確立します。シミュレーションと実際の環境での広範な実験により、FFHFlowはグリップの多様性と成功率の観点から最先端の基準（拡散モデルを含む）を上回り、実行時間が効率的なサンプリングを達成することを示しています。さらに、多様性ベースのサンプリングは衝突を軽減し、優れたパフォーマンスを発揮する複雑で限られた環境での実用的な価値を示しています（プロジェクトページ： _____ T178176_____ ）。

Takeaways、Limitations

•
Takeaways：
◦
部分的な観測から多様で不確実性を認識する複数の指グリップを効率的に生成する新しい方法を提示する。
◦
フローベースのモデルを使用して、従来の方法のLimitationsであるモード崩壊と固定辞書を克服します。
◦
不確実性を明示的に考慮して、より信頼性が高く信頼性の高いグリップを作成します。
◦
シミュレーションと実環境で最先端のパフォーマンスを実現します。
◦
複雑で限られた環境でも効果的に機能します。
•
Limitations：
◦
提案された方法の性能は、使用されるデータセットとモデルの複雑さに依存する可能性があります。
◦
実際の環境での一般化性能をさらに向上させる必要がある。
◦
計算コストが比較的高い場合があります。
◦
様々な物体形態および材料の一般化性能のさらなる研究が必要である。
👍
Made with Slashpage