否定制約付き器用把持のためのポテンシャル誘導粒子ステアリング

言語指示に基づく器用な把持（dexterous grasping）モデルに関する研究。特に「どこを掴むか」だけでなく「どこを掴んではいけないか」という否定制約（negation constraint）を含む指示（例：「ハンドルを掴むが、本体は避ける」）を扱う。既存のモデル（DextERなど）はこのような指示で系統的に失敗することを指摘し、否定専用の訓練データを必要としない推論時フレームワークを提案する。また、この設定を評価するためのベンチマークNegGraspを構築する。

既存の言語駆動把持モデル（DextERなど）は、指示が「どこを掴むか」を指定する場合には良好に動作するが、「どこを掴まないか」を指定する場合には失敗する。既存の訓練コーパス（DexGYSNetなど）には回避指示がほぼ含まれておらず、すべての可能な制約に対する例を収集することは非現実的である。さらに、訓練中に言及される各部分が接触目標として扱われるため、モデルは禁止された部分を回避領域ではなく別の把持領域として解釈する可能性がある。提案手法は、否定専用の訓練例を必要としない推論時フレームワークであり、この点が先行研究と異なる。

手法の核は、推論時にSequential Monte Carlo（SMC）とclassifier-free guidanceを組み合わせること。SMCを用いてサンプリングを指示された部分に向けて誘導しつつ、禁止領域に向かう候補を刈り込む。訓練中に否定例を一切使用しない。凍結された3D part-groundingモデルが言語指示から禁止領域を特定する。

NegGraspベンチマークを構築し、対になった肯定/否定指示と制約を考慮したメトリクス（タスク達成と制約遵守の両方を満たす把持のみを成功とする）を用いて評価した。その結果、最強のベースラインの違反率を57.9%から17.2%に削減し、制約を考慮した成功率と物理的成功率の両方を改善した。

要旨からは、提案手法が否定制約を扱う際の有効性を示す一方で、計算コストや他のタイプの制約への一般化、実世界での適用可能性などに関する議論は明示されていない。また、3D part-groundingモデルの精度が全体の性能に影響する可能性や、SMCのサンプリング効率に関する限界も考えられるが、要旨には記載がない。

要旨で参照されている研究として、DextER（言語駆動の器用な把持モデル）、DexGYSNet（訓練コーパス）、classifier-free guidance（拡散モデル等で用いられる手法）、Sequential Monte Carlo（粒子フィルタ等で用いられる手法）が挙げられる。次に読むべき論文としては、これらの基盤となった論文や、言語による把持計画、3D grounding、拡散モデルに基づく把持生成に関する研究が考えられる。