学習ベースの巧みな把持生成の多くは、接触力を後段の検証ステップに委ねている。そのため、運動学的には妥当に見える姿勢でも、安定した物理的把持の条件を満たさない場合がある。EquiDexFlowはこの問題に対し、物体点群を入力として、手首姿勢、関節角度、指先接触、表面法線、接触力を同時に予測するSE(3)等変フローマッチングモデルとして取り組む。これにより、幾何・運動学・力学の制約を同一の枠組みでまとめて扱える。
この研究の要点は、制約を追加の損失ペナルティではなくネットワーク構造そのものに組み込む点にある。モデルは予測した接触点を物体表面へ投影し、接触力をクーロン摩擦錐の内側へ投影する。そのため、接触位置の妥当性と摩擦の遵守は構成上保証される。さらに、モデル全体がSE(3)等変性を持つことを証明し、200回の回転に関する実証検証も行っている。手首の残差は0.04°未満、関節の偏差は正確にゼロであった。
学習には、16自由度のAllegro Handを対象として、81物体にわたる8,100個の力閉包把持を使用した。実験では、アブレーション変種の中で摩擦違反ゼロ、最高の総合スコア、最小のレンチ残差を達成している。次に著者らは、デコードされた指先接触を指ごとの逆運動学によって16自由度のLEAP Handへ再ターゲティングし、ハードウェア実現可能性を考慮した微調整によって、レンチバランスを保ちながら全関節をアクチュエータ包絡の少なくとも5%内側に収めた。
実機ロボットによる検証では、再ターゲティングしたEquiDexFlowの把持が6つのテスト物体すべてで開ループの把持保持試験を完了した。非対称な物体についても、標準姿勢と120°の共同回転の両方で成功している。論文は22ページ、図11点、表11点で構成され、プロジェクトページ、動画、コード、チェックポイントが公開されている。