視覚的把持を超えて：検出から実行までの複雑な把持のベンチマーク
既存の把持ベンチマークは視覚的な把持姿勢検出に焦点を当てており、多段階の推論や意味的制約を必要とする複雑なタスクを捉えていません。研究者らはGCA-Benchを提案し、シーン推論と意味的制約を含む複雑な動作シナリオで大規模モデルを評価します。実験では、複雑なシナリオでの成功率が70%未満であり、重大な限界が浮き彫りになりました。
ロボットによる物体把持は、複雑な実世界アプリケーションにおいて依然として基本的な課題です。大規模モデルの進歩によりロボットタスクの推論能力は向上していますが、既存の把持ベンチマークは主に視覚ベースの把持姿勢検出に焦点を当てており、多段階の推論や意味的制約を必要とする複雑なタスクを適切に評価できていません。このギャップを埋めるために、Hanyi Zhang氏ら12名の研究者はGCA-Benchを提案しました。GCA-Benchは、「複雑な動作を伴う把持」シナリオを特徴とし、シーンレベルの推論と意味的制約の両方を課すことで、現実的な課題を再現します。このベンチマークにより、最新の大規模基盤モデル（例：GPT-4V、CLIPなど）を統一された設定で評価することが可能になります。研究者らは、伝統的な把持検出パイプラインからエンドツーエンドの学習手法まで多様なベースラインを実装し、実験を行いました。その結果、複雑なシナリオにおける成功率はいずれも70%未満に留まり、現在の手法の重大な限界が浮き彫りになりました。さらに、新しい評価指標（意味的制約充足率や推論ステップ完了度など）を提案し、主要な失敗モード（意味理解の誤り、多段階推論の破綻、物体との相互作用失敗など）を分析しました。これらの洞察は、より堅牢で汎用的な把持戦略の開発を導くものです。GCA-Benchは、把持評価を単なる視覚検出から全プロセスを含む総合的な評価へと進化させる重要な一歩であり、今後のロボット把持システムの改善に貢献することが期待されます。本論文は2026年7月15日にarXivに投稿され、cs.ROおよびcs.AIに分類されています。