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.