Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
EAGG는 다양한 형태의 말단 장치(end-effector)에 일반화될 수 있는 파지 생성 모델을 제안합니다. 기하학 인지 그래프 조건화를 통해 위상과 구동 방식이 다른 장치 간의 전이 성능을 극대화했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기교차 말단 장치(Cross-end-effector) 파지 생성은 평행 그리퍼(parallel grippers)부터 정교한 말단 장치(dexterous end effectors)에 이르기까지, 객체와 형태(embodiment) 전반에 걸쳐 일반화될 수 있는 통합 모델을 추구합니다. 기존의 파지 생성기(grasp generators)는 일반적으로 고정된 형태(embodiment)를 위해 설계되었거나 정적인 기술자(static descriptor)로 형태 정체성을 인코딩하며, 이는 위상(topology), 구동 결합(actuation coupling), 접촉 기하학(contact geometry)이 크게 다를 때 전이(transfer) 성능을 약화시킵니다. 우리는 각 형태(embodiment)를 위상 인지형 말단 장치 그래프(topology-aware end-effector graph)와 형태 특화형 저차원 말단 장치 제어 공간(embodiment-specific low-dimensional end-effector control space)으로 표현하는 형태 정렬형 파지 생성기인 EAGG를 제안합니다. 동결된 말단 장치 인지 백본(frozen end-effector-cognition backbone)은 현재의 관절 상태(articulated state)를 재사용 가능한 형태 사전(morphology prior) 역할을 하는 기하학 인지 토큰(geometry-aware tokens)으로 변환하며, 반복적인 기하학 주입(iterative geometry injection)은 샘플링 과정 전반에 걸쳐 이러한 토큰을 갱신하여 조건화(conditioning)가 진화하는 말단 장치 기하학(end-effector geometry)과 동기화된 상태를 유지하도록 합니다. MultiGripperGrasp 벤치마크에서 EAGG는 6개의 학습된 말단 장치에 대해 평균 56.17%의 성공률을 달성하였으며, 미세 조정(finetuning) 및 제로샷(zero-shot) 말단 장치로의 전이 성능을 유지하면서도 특화 학습(specialized training) 대비 1.10% 포인트 이내의 차이를 유지했습니다. 반복적인 기하학 주입(iterative geometry injection)은 통합 중앙값 접촉 거리(pooled median contact distance)를 0.239 cm에서 0.189 cm로 더욱 감소시켰습니다. 이러한 결과는 교차 말단 장치 파지 생성이 형태의 차이를 억제하기보다 공유된 생성기 내부에서 형태 구조를 정렬함으로써 강화됨을 보여줍니다. 코드는 https://github.com/wanhaoniu/EAGG 에서 확인할 수 있습니다.