マニピュレーション2026/11/5arXiv:2611.07651

GraspBench：MuJoCo上でのロボット別6自由度把持生成パイプライン実行評価

GraspBench: Execution-Aware Cross-Robot Evaluation of 6-DoF Grasp Generation in MuJoCo

6自由度把持生成パイプラインを、ロボットごとの逆運動学・動作計画・実行まで含めてMuJoCo上で評価するベンチマークを提案し、4機種・5物体で比較した。

詳しい要約

1. どんなもの？

- 6-DoF grasp generation パイプラインをロボット実行まで含めて評価する MuJoCo ベースの制御されたベンチマーク - 名称は GraspBench - grasp score や dataset-level metrics ではなく実行可能性を重視 - 評価対象は完全な grasp-generation pipeline - robot-specific inverse-kinematics filtering - motion planning - 固定された approach-close-lift 実行 - 評価規模 - 6 つの構成済み pipeline - 4 つの robot embodiments - 5 つの diagnostic objects - 構造化された tabletop pose grid - 1 手法あたり 540 scenarios、合計 3,240 method-scenario evaluations

2. 先行研究と比べてどこがすごい？

- 従来は grasp scores、dataset-level metrics、単一ロボットでのデモンストレーションで評価されがち - 提案の質だけでは特定ロボットでの実行可能性を決められないという問題意識 - GraspBench は robot-specific な IK filtering・motion planning・実行まで含めて pipeline 全体を評価 - 同一プロトコルで複数ロボット・複数物体・複数姿勢を横断比較 - 提案数やスコアが高くても実行成功率が低い例を示す - GPG は最大の native candidate sets だが成功率 44.3% - proposal volume だけでは robot-executable grasps を保証しないことを実証

3. 技術・手法の肝は？

- MuJoCo 上の制御された評価プロトコル - robot-specific inverse-kinematics filtering - motion planning - 固定された approach-close-lift execution - 成功判定 - 各手法の execution runner が生成する binary lift criterion に従う - 出力欠損は保守的に failure としてカウント - 評価設計 - 6 pipelines × 4 robot embodiments × 5 diagnostic objects × structured tabletop pose grid - 1 手法 540 scenarios、合計 3,240 evaluations - 統計面 - cluster-aware paired intervals で主要な手法間差を支持 - ただし repeated-execution uncertainty は推定しない

4. どうやって有効だと検証した？

- 6 つの構成済み pipeline を 4 embodiments・5 objects・pose grid 上で実行し、合計 3,240 method-scenario evaluations を実施 - 主な結果 - GraspGen が最高の overall success rate 73.1% - EconomicGrasp が 63.5% で続く - GPG は最大の native candidate sets だが 44.3% - robot- および object-conditioned 分析により、embodiment や物体形状による大きな変動を確認 - cluster-aware paired intervals が主要な手法差を支持 - 欠損出力を failure として扱う保守的評価を採用

5. 議論はある？

- 結果は固定シナリオ上の完全な構成済み pipeline を特徴づけるものであり、intrinsic model quality や stochastic repeatability を測るものではない - この点は明示的な限界 - repeated-execution uncertainty は cluster-aware paired intervals では推定されない - grasping performance は generator・robot embodiment・scene・execution protocol の共同依存であると結論 - 提案数や grasp score だけでは実行可能性を保証できないことを示唆 - GPG の結果がその例

6. 次に読むべき論文は？

- 要旨で直接比較されている手法 - GraspGen - EconomicGrasp - GPG - 関連する評価・実行基盤 - MuJoCo ベースの grasp execution 評価 - robot-specific inverse-kinematics filtering や motion planning を含む pipeline 評価 - 同分野の定番として、6-DoF grasp generation の代表的手法や dataset-level 評価手法（具体的名称は要旨からは不明）

※ 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: Abdul Basit, Bibek Poudel, Muhammad Shafique

分類: cs.RO, cs.AI

原文アブストラクト

Modern 6-DoF grasp generators are often evaluated using grasp scores, dataset-level metrics, or single-robot demonstrations, yet proposal quality alone does not determine whether a grasp is executable by a particular robot. We present GraspBench, a controlled MuJoCo protocol for evaluating complete grasp-generation pipelines after robot-specific inverse-kinematics filtering, motion planning, and fixed approach-close-lift execution. GraspBench evaluates six configured pipelines across four robot embodiments, five diagnostic objects, and a structured tabletop pose grid, yielding 540 scenarios per method and 3,240 method-scenario evaluations in total. Missing outputs are conservatively counted as failures, and success follows the binary lift criterion produced by each method's execution runner. GraspGen achieves the highest overall success rate (73.1%), followed by EconomicGrasp (63.5%), while robot- and object-conditioned analyses reveal substantial variation across embodiments and object geometries. GPG produces the largest native candidate sets but achieves 44.3% success, indicating that proposal volume alone does not guarantee robot-executable grasps. Cluster-aware paired intervals support the principal method differences while not estimating repeated-execution uncertainty. The results characterize complete configured pipelines on fixed scenarios rather than intrinsic model quality or stochastic repeatability, showing that grasping performance depends jointly on the generator, robot embodiment, scene, and execution protocol.

arXivで原文を読む →arXiv概要ページ

GraspBench：MuJoCo上でのロボット別6自由度把持生成パイプライン実行評価

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事