把持可否予測器をプランナ検証済み反事実で監査する

- Task and Motion Planning ベンチマーク上で高い精度を示す grasp-feasibility predictor が、実際に motion planner が検査する衝突幾何を利用しているかを監査する研究。 - grasp pose を固定したまま approach corridor に solid obstacle を挿入し、planner にラベルを再導出させる planner-verified counterfactual (CF) テストを提案。 - point clouds, voxels, depth, object tokens にまたがる8つの predictor を対象に評価。 - counterfactual labels, metrics, datasheet, relabeling pipeline を公開。

- 従来は Task and Motion Planning ベンチマークでの高い accuracy を根拠に grasp-feasibility predictor を評価していた。 - 本研究は accuracy が planner の検査する collision geometry の利用を保証しないことを示す点が新しい。 - 自然な AUROC が 0.920-0.996 と高い predictor でも、CF-pair AUROC は 0.470-0.504 の chance レベルまで低下。 - この flip が4つの planner、2つの arm、実物体 obstacle にわたり頑健に成立することを示した。

- grasp pose を固定し、approach corridor に solid obstacle を挿入、その点群をモデル入力に追加。 - planner がラベルを再導出し、feasible から infeasible へ反転させる counterfactual を構成。 - CF-pair AUROC により、obstacle の有無でラベルを正しく区別できるかを測定。 - point-cloud model の内部表現を解剖し、obstacle が grasp を妨げるかと無関係な方向へ表現を動かすか、全く登録されないことを観察。 - corridor points を読む clearance-aware read を、counterfactual scene なしの未修正ベンチマークで学習。

- 8つの predictor で自然 AUROC (0.920-0.996) と CF-pair AUROC (0.470-0.504) を比較。 - 4つの planner、2つの arm、実物体 obstacle で flip の頑健性を確認。 - predictor が bounding box から 12.5 cm voxel まで異なる解像度で失敗することを確認。 - clearance-aware read が未修正ベンチマーク学習のみで 0.983 CF-pair AUROC に達することを検証。

- predictor は異なる解像度で失敗し、point-cloud model では obstacle が無関係な表現変化や未登録にとどまる。 - clearance-aware read は高い CF-pair AUROC を示すが、学習した obstacle placement に束縛される。 - placement-invariant な clearance representation は未解決の課題として残る。 - ベンチマーク accuracy だけでは collision geometry の利用を保証できないという監査上の含意がある。

- 本論文が比較対象とする point clouds, voxels, depth, object tokens 系の grasp-feasibility predictor 群。 - 本研究が提案する clearance-aware read と、その限界である placement-invariant clearance representation に関する研究。 - Task and Motion Planning ベンチマークを用いた grasp feasibility 評価に関する研究。 - 公開された graspfc-cf の counterfactual labels と relabeling pipeline を用いる追試研究。