G-DexGrasp: Generalizable Dexterous Grasping Synthesis Via Part-Aware Prior Retrieval and Prior-Assisted Generation

要約

器用な握る合成の最近の進歩は、多くのタスクの目的で合理的でもっともらしい握りを生み出す際に大きな進歩を示しています。
しかし、目に見えないオブジェクトカテゴリと多様なタスク命令に一般化することは困難なままです。
この論文では、目に見えないオブジェクトカテゴリと言語ベースのタスク命令のための高品質の器用な手構成を生成できる検索された生成アプローチであるG-DexGraspを提案します。
重要なのは、次の合成パイプラインについて、きめ細かい接触部品や関連するグラッピングインスタンスのアフォーダンス関連の分布を含む、一般化可能な把握前の除去を取得することです。
具体的には、微細に接触した接触部分とアフォーダンスは、生成モデルを使用して目に見えないオブジェクトの合理的な把握構成を推測するための一般化可能なガイダンスとして機能しますが、その後の改良最適化中に合成されたグラスプの妥当性を保証するために、関連する把握分布は正則化として再生されます。
比較実験は、一般化のための主要な設計の有効性を検証し、既存のアプローチに対する顕著なパフォーマンスを実証します。
プロジェクトページ：https：//g-dexgrasp.github.io/

要約(オリジナル)

Recent advances in dexterous grasping synthesis have demonstrated significant progress in producing reasonable and plausible grasps for many task purposes. But it remains challenging to generalize to unseen object categories and diverse task instructions. In this paper, we propose G-DexGrasp, a retrieval-augmented generation approach that can produce high-quality dexterous hand configurations for unseen object categories and language-based task instructions. The key is to retrieve generalizable grasping priors, including the fine-grained contact part and the affordance-related distribution of relevant grasping instances, for the following synthesis pipeline. Specifically, the fine-grained contact part and affordance act as generalizable guidance to infer reasonable grasping configurations for unseen objects with a generative model, while the relevant grasping distribution plays as regularization to guarantee the plausibility of synthesized grasps during the subsequent refinement optimization. Our comparison experiments validate the effectiveness of our key designs for generalization and demonstrate the remarkable performance against the existing approaches. Project page: https://g-dexgrasp.github.io/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google