PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2608.19776v3cs.RO

CoToGrasp: 표준 작업 공간 학습을 통한 접촉 위상 조건부 정밀 파지 합성

CoToGrasp: Contact-Topology-Conditioned Dexterous Grasp Synthesis via Canonical Workspace Learning

현재의 정밀 파지(dexterous grasp) 플래너들은 주로 물리적 안정성을 최적화하는 데 집중하며, 후속 기능적 작업을 지원하기 위해 물체를 어떻게 파지해야 하는지보다는 파지가 가능한지 여부에만 초점을 맞춥니다. 그러나 특정 인간 파지 분류체계(grasp taxonomy)를 조건으로 파지를 합성하려면 일반적으로 지나치게 큰 비용이 드는 물체별 주석 데이터셋이 필요합니다. 이러한 한계를 해결하기 위해, 본 논문에서는 특정 접촉 위상(contact topology)을 엄격한 조건으로 삼아 다양하고 안정적인 파지를 합성하는 새로운 생성 프레임워크인 CoToGrasp을 제안합니다. 데이터 수집의 병목을 우회하기 위해 CoToGrasp은 완전히 물체 무관(object-agnostic) 방식으로 학습됩니다. 본 연구에서는 물체의 국소 특징(feature)을 통합된 그리퍼 중심 도메인으로 투영하는 특징 기반 표준 작업 공간(canonical workspace)을 도입하여, 임의의 물체 기하학으로부터 의미적·기능적 의도를 효과적으로 분리합니다. 모델은 이 작업 공간 내에서 그리퍼의 본질적인 접촉 다양체(contact manifold)를 학습함으로써, 추론(inference) 시 보지 못한 물체에 대해서도 제로샷(zero-shot) 일반화를 달성합니다. 대규모 DexGraspNet 데이터셋에 대한 광범위한 평가 결과, CoToGrasp은 기존의 분류체계 기반 플래너들을 능가하며 최고 수준(SOTA)의 성능을 달성함을 입증했습니다. 마지막으로 실제 로봇 플랫폼에서 합성된 접촉 위상의 물리적 실현 가능성과 기구학적 타당성을 검증했습니다. 코드는 프로젝트 웹사이트(https://cea-list.github.io/cotograspweb/)에서 확인할 수 있습니다.

arXiv:2604.14944v3cs.RO

HRDexDB: 인간 및 다중 로봇 임바디먼트에 걸친 4D 정교한 파지 데이터셋

HRDexDB: A 4D Dexterous Grasping Dataset Across Human and Multiple Robot Embodiments

본 논문에서는 5개의 임바디먼트(embodiment)에 걸쳐 시간에 따른 3D 손-물체 상호작용 궤적을 캡처한 실제 환경 4D 정교한 파지(dexterous grasping) 데이터셋인 HRDexDB를 제시합니다. 이 데이터셋은 100개의 다양한 물체에 대한 3,200회의 시도로 구성됩니다. 동기화된 다중 카메라 시스템과 통합 재구성 파이프라인을 활용하여, HRDexDB는 성공/실패 어노테이션과 함께 다중 뷰 및 1인칭 시점(egocentric) RGB 관측치, 3D 손 기하구조, 로봇 상태, 물체의 6D 포즈 궤적을 제공합니다. 인간과 로봇의 손이 공통 물체와 상호작용하므로 임바디먼트별 파지 전략과 접촉 패턴에 대한 연구가 가능합니다. 본 연구는 인간-로봇 간 접촉 맵 전이, 시각적 로봇-물체 접촉 추정, 검색 보조 파지를 통해 본 데이터셋의 유용성을 입증합니다. 이러한 결과를 종합하여 HRDexDB는 인간 및 로봇 임바디먼트 전반에서 정교한 상호작용을 연구하고 학습하기 위한 유용한 자원으로 자리매김합니다.

arXiv:2606.12728v1cs.RO

EquiDexFlow: Contact-Grounded SE(3)-Equivariant Dexterous Grasp Generative Flows

기존 파악 생성기가 접촉력 검증을 후속 단계로 처리하여 물리적 불안정성을 초래하는 문제를 해결하기 위해, SE(3)-에퀴버리언트 플로우 매칭 모델인 EquiDexFlow가 제안되었습니다. 이 모델은 객체 포인트 클라우드에서 손목 자세와 접촉력을 포함한 파악 파라미터를 통합적으로 예측하며 쿨롱 마찰 원뿔 조건을 구조적으로 보장하여 실제 로봇 실험에서 완벽한 회전 불변성과 파악 성공률을 달성했습니다.