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

本論文は,部分的な観測だけで多様で不確実性を考慮した多指ロボットグリップを合成する問題を扱う。従来の生成モデルは、熟練した手の複雑なグリップ分布をモデル化するのに困難を経験し、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傾向がある。本稿では、フローベースの変分フレームワークであるFFHFlowを提案する。 FFHFlow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します。正規化フローベースの深層潜在変数モデルを利用して階層グリップマニホールドを学習することで、条件付きVAEのモード崩壊と固定事前分布の制限を克服します。流れの可逆性と正確な尤度を活用して、部分的な観測で形態不確実性を把握し、新しい物体構造を識別し、リスクを考慮したグリップ合成を可能にする。信頼性をさらに高めるために、判別的グリップ評価器をフロー尤度と統合し、不確実性を考慮したランキング戦略を策定し、形態曖昧性に強いグリップを優先的に選択する。シミュレーションと実際の環境での広範な実験は、FFHFlowがグリップの多様性と成功率の点で最先端の基準モデル（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、混雑し、限られた環境での実用的な価値を示す。

Takeaways、Limitations

•
Takeaways：
◦
部分的な点群から多様で不確実性を考慮した多指グリップを効率的に生成する新しい方法を提示した。
◦
フローベースのモデルを使用した従来の方法の制限であるモード崩壊と固定事前分布問題の解決
◦
不確実性を考慮したグリップランキング戦略による信頼性向上
◦
シミュレーションと実環境における最先端の性能を実証
◦
混雑し、限られた環境での優れた性能。
•
Limitations：
◦
現在では、さまざまなオブジェクト形態の一般化性能に関する追加の研究が必要になる可能性があります。
◦
実際の環境での適用のための追加のテストと検証が必要な場合があります。
◦
計算コストが高い可能性があるフローベースのモデルの特性を考慮して、リアルタイムアプリケーション用の最適化が必要になる場合があります。
👍
Made with Slashpage