GGPS (Guided Grasp Pose Sampler) : Training-Free Test-Time Feasible Grasp Pose Sampler on SE(3) = GGPS (Guided Grasp Pose Sampler): SE(3) 상에서 추가 학습이 필요 없는 실시간 알맞은 파지 자세 샘플러 제작

다국어 초록 (Multilingual Abstract)

We address the problem of selecting feasible 6-DoF grasp poses from a pre-trained SE(3)-equivariant generative model without any additional training. While recent grasp generators based on diffusion or flow matching can sample diverse grasp candidates for a given object, they typically rely on fixed, learned grasp-quality criteria and two-stage pipelines that first generate many candidates and then post-select a few feasible grasps. We propose GGPS (Guided Grasp Pose Sampler), a training-free test-time guidance method that directly samples scenario-aware feasible grasps on SE(3). Given a user-defined energy function \(J : \mathrm{SE}(3) \to \mathbb{R}\) that evaluates grasp poses under the current robot, environment, and task, GGPS modifies the flow dynamics only at sampling time so that the induced distribution concentrates on low-energy regions. Building on recent work on guidance for flow matching, we extend their Euclidean formulation to matrix Lie groups. Instantiated on EquiGraspFlow, our approach enables the same pre-trained model to realize different notions of feasibility—incorporating affordance, reachability, manipulability, or task-specific efficiency—simply by changing \(J\), without any retraining or additional optimization.

국문 초록 (Abstract)

본 논문은 추가 학습 없이 사전 학습된 $\mathrm{SE}(3)$-등변(Equivariant) 생성 모델로부터 실행 가능한
6-자유도(6-DoF) 파지 자세를 선택하는 문제를 다룬다. 최근 확산모델(diffusion) 또는 플로우 매칭(flow matching)
기반 파지 생성기는 주어진 물체에 대해 다양한 파지 후보를 생성할 수 있으나, 일반적으로 고정된 파지 품질 기준과
2단계 파이프라인(다수 후보 생성 후 후처리 선택)에 의존한다. 이러한 방식은 로봇 구성, 주변 장애물, 작업 목적 등
상황별 제약이 변화할 때 적절한 파지를 빠르게 확보하기 어렵다는 한계가 있다.

이를 해결하기 위해 본 논문은 $\mathrm{SE}(3)$ 상에서 시나리오-인지적(scenario-aware) 실행 가능 파지를 직접
샘플링하는 GGPS(Guided Grasp Pose Sampler)를 제안한다. GGPS는 학습 단계에서 모델을 수정하지 않고, 샘플링
시점에만 동역학을 조정하는 훈련 불필요(training-free) 테스트-타임 가이던스 방법이다. 구체적으로, 현재
로봇/환경/작업 조건에서 파지 자세를 평가하는 사용자 정의 에너지 함수
$J:\mathrm{SE}(3)\to\mathbb{R}$가 주어졌을 때, GGPS는 샘플링 과정에서 플로우 동역학을 가이드하여 유도 분포가
$J$의 저에너지 영역에 집중하도록 만든다. 또한 최근 제안된 플로우 매칭 가이던스 기법의 유클리드 공간 정식을
기반으로, 이를 행렬 리 군(matrix Lie group)으로 확장함으로써 $\mathrm{SE}(3)$ 상에서도 일관되게 적용 가능하도록
한다.

제안한 방법을 EquiGraspFlow에 적용하면, 동일한 사전 학습 모델을 유지한 채 $J$만 변경하는 것만으로 어포던스
(affordance), 도달 가능성(reachability), 조작성(manipulability), 작업 효율(task-specific efficiency) 등 서로 다른
실행 가능성 기준을 즉시 반영할 수 있으며, 재학습이나 추가 최적화 없이도 다양한 상황에 적응하는 파지 샘플링을
가능하게 한다.

목차 (Table of Contents)

• Abstract i
• List of Figures vi
• 1 Introduction 1
• 2 Related Work 4
• 2.1 Grasp Pose Sampling 4
• 2.1.1 Candidate Enumeration and Post-Selection 4
• 2.1.2 Learned Generative Cost Fields on SE(3) 5
• 2.1.3 Language-Guided Dexterous Grasping 5
• 2.2 Comparison to GGPS 6
• 3 Preliminaries 8
• 3.1 Theoretical Background 8
• 3.1.1 The Special Euclidean Group SE(3) 8
• 3.1.2 Flow Matching 10
• 3.2 EquiGraspFlow: SE(3)-Grasp Pose Generative Flows 11
• 3.3 On the Guidance of Flow Matching 13
• 3.3.1 Guidance Vector Field gt 14
• 3.3.2 Estimation Methods of gt 14
• 3.3.3 Challenges of Extending Guidance to SE(3) 16
• 4 GGPS 17
• 4.1 Problem Formulation 17
• 4.2 Guidance Extension for SE(3) 18
• 4.2.1 Monte-Carlo-Based Estimation 19
• 4.2.2 Simulated Monte-Carlo-Based Estimation 19
• 4.3 Developing a Training-Free Guided Grasp Pose Sampler (GGPS) 20
• 5 Experiments and Results 24
• 5.1 Experimental Setup 24
• 5.2 Evaluation Metrics 26
• 5.3 Experimental Results 27
• 5.3.1 Grasping Affordance Task 27
• 5.3.2 Dynamic Grasping Tasks considering Reachability and Efficiency 29
• 5.4 Discussion 31
• 6 Conclusion 36
• A Appendix 38
• A.1 General Guidance on SE(3) 38
• A.2 Extension of gradient-based guidance 40
• A.3 Experimental Details 41
• A.3.1 Experiment Environment 41
• A.3.2 Additional Affordance Task Results 42
• A.4 Guidance with magnitude 43
• Bibliography 47
• Abstract 50