マルチエンボディド把持エージェントに向けて

要旨: マルチエンボディメント・グラスピングは、さまざまなグリッパ設計にわたって汎用的なふるまいを示すアプローチの開発に焦点を当てています。既存の手法では、多くの場合、ロボットの運動学的構造を暗黙に学習しますが、必要な大規模データを調達することの難しさにより課題に直面しています。本研究では、データ効率に優れた、フローベースの、等変な把持（グラスプ）合成アーキテクチャを提案します。このアーキテクチャは、自由度の異なる条件を含めてさまざまなグリッパ種を扱うことができ、基となる運動学モデルをうまく活用し、グリッパとシーンの幾何学情報だけから必要なすべての情報を推定します。従来の等変な把持手法とは異なり、我々はすべてのモジュールをゼロからJAXへ移植し、シーン、グリッパ、把持（グラスプ）に対するバッチ処理機能を備えたモデルを提供します。その結果、学習がより滑らかになり、性能が向上し、推論時間が高速化されます。今回のデータセットには、人型の手から平行ヨーグリッパまでの範囲のグリッパが含まれ、25,000シーンと2,000万の把持（グラスプ）を収録しています。