SuperGrasp：超二次曲面の類似度によるマッチング、評価、洗練を用いた単一視点での物体把持

arXiv cs.RO / 2026/4/1

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、平行ジョー型グリッパーを用いたロボットの単一視点物体把持のための2段階フレームワークであるSuperGraspを提案し、初期把持生成とその後の評価／洗練を分離する。
入力の単一視点点群を、超二次曲面の係数により事前計算されたプリミティブ・データセットに照合して把持候補を取得するSimilarity Matching Moduleを提案する。
洗練として、把持に関する領域を拡張し、初期の把持閉鎖領域をローカルなアンカーとして用いることで安定性と妥当性を高める、エンドツーエンド型ネットワークE-RNetを示す。
著者らは、汎化性能を高めるためにプリミティブ・データセット（1.5kプリミティブ）と、大規模な学習データセット（124物体に対する10万件の安定把持ラベル）を構築する。
シミュレーションおよび実環境の双方での実験により、安定した把持と、新しいシーンや新規物体への強い汎化が示される。

Abstract

単一視点の観測からのロボット把持は、操作における重要な課題として残っています。既存の手法は、不完全な幾何情報に直面すると、安定で妥当な把持姿勢を生成することが依然として困難です。これらの制約に対処するために、本論文では、平行ジョー型グリッパを用いた単一視点把持のための新しい2段階フレームワークであるSuperGraspを提案します。この手法は、把持プロセスを、最初の把持姿勢の生成と、その後の把持の評価および洗練（refinement）に分解します。第1段階では、入力の単一視点点群を、スーパー楕円体（superquadric）の係数に基づいて事前計算されたプリミティブ・データセットと照合することで、把持候補を効率的に取得するSimilarity Matching Moduleを導入します。第2段階では、把持に関わる領域を拡張し、初期の把持クローズ領域を局所アンカー領域として用いることで、把持候補のより正確で信頼性の高い評価および洗練を可能にするエンドツーエンドネットワークE-RNetを提案します。汎化性を高めるために、類似度マッチング用に1.5k個のプリミティブを含むプリミティブ・データセットを構築し、さらにネットワーク学習のために124個の対象物から、安定把持ラベル100k件を含む大規模点群データセットを収集します。シミュレーション環境と実環境の両方における大規模な実験により、本手法が様々なシーンや新規の物体に対して、安定した把持性能と強い汎化能力を達成することを示します。