日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2609.24864

画像から直接6自由度軌道計画を行うSE(3)ニューラルポテンシャル場

SE(3) Neural Potential Fields for 6-DoF Trajectory Planning Directly from Images Without Explicit 3D Reconstruction

シェア:XThreadsFacebookLINEはてブBluesky

RGB画像からSE(3)のニューラルポテンシャル場を学習し、3D再構成なしで衝突のない6自由度把持軌道を計画する手法を提案。ナビゲーション関数による教師信号で局所解を回避し、実機で高い把持成功率を達成した。

詳しい要約

1. どんなもの？

ポーズ付きRGB画像から直接学習するSE(3) neural potential fieldを提案し、6-DoF grasp poseへの衝突回避軌道計画を明示的な3D再構成なしで行う手法。従来の画像からのpotential fieldは、引力と斥力の勾配が打ち消し合うと降下が障害物を回り込まずに擦り、goal手前で停止しうる問題があった。本手法はnavigation functionで教師あり学習し、その失敗を除去する。

2. 先行研究と比べてどこがすごい？

従来は3D再構成してその中で計画するため精度と計算コストがかかり、画像から直接学習するpotential fieldは古典的弱点(勾配消失による擦り・停滞)を継承していた。本手法はnavigation functionによる教師あり学習で両失敗を除去し、画像監督のみと比べ全開始点で3 cm以内に収束、実行軌道が全て衝突回避、平均clearanceが1 cm未満から8.6-8.8 cmへ、arm-link接触が20.6-50.4%から2.7-5.5%へ低減。

3. 技術・手法の肝は？

ポーズ付きRGB画像からSE(3) neural potential fieldを学習。教師信号にnavigation function(自由空間を通るgraspまでの測地距離)を用い、これは訓練時に同じ画像から復元する。これにより引力・斥力の勾配消失による擦りと停滞を除去する。

4. どうやって有効だと検証した？

2つのtabletop sceneで、障害物に遮られた開始点からUR10で実行。全開始点でgraspの3 cm以内に収束し、実行軌道はground-truth geometryに対し全て衝突回避(画像監督のみでは25%と0%)。平均clearanceは1 cm未満から8.6-8.8 cm、arm-link接触は20.6-50.4%から2.7-5.5%へ。grasp成功率は90.0%と40.0%で、残りの失敗はfieldではなくCartesian executorの拒否。計画時間は約2 sで、同じ画像の再構成に対するRRT*の67-133 sより短いが、共通offline harnessでは同等で、差は密な再構成の衝突チェックコスト。

5. 議論はある？

計画時間の優位はplanner complexityではなく、密な再構成の衝突チェックコストに由来する。残りのgrasp失敗はfieldではなくCartesian executorの拒否である。

6. 次に読むべき論文は？

RRT*、navigation function、image-based potential field、3D reconstructionベースのplanning。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jeffrey Eiyike, Masoud Ataei, Elvis Gyaase, Vikas Dhiman

分類: cs.RO, cs.AI

原文アブストラクト

Reaching a 6-DoF grasp pose in clutter requires a collision-free trajectory, conventionally obtained by reconstructing the scene in 3D and planning inside that reconstruction, at the cost of its accuracy and compute. Potential fields learned directly from images remove that dependency but inherit the classical weakness of artificial potential fields: where attractive and repulsive gradients cancel, the descent grazes the obstacle instead of going around it, and can stall short of the goal. We present an SE(3) neural potential field learned from posed RGB images and supervised with a navigation function, the geodesic distance to the grasp through free space recovered from those same images during training, which removes both failures. On two tabletop scenes, from obstacle-blocked starts executed on a UR10, the field converges within 3 cm of the grasp from every start and every path it executes is collision-free against the ground-truth geometry, against 25% and 0% under image supervision alone; mean clearance rises from under a centimeter to 8.6-8.8 cm and arm-link contacts fall from 20.6-50.4% to 2.7-5.5% of executed configurations. Executed grasp success is 90.0% and 40.0% on the two scenes, the residual failures being refusals of the Cartesian executor rather than of the field. Planning takes about 2 s against 67-133 s for RRT* on a reconstruction of the same images, though under a common offline harness the two are comparable: the deployed margin is the cost of collision-checking a dense reconstruction, not planner complexity.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI