TGrasp6D：作業情報を含む視覚言語事前分布と姿勢最適化による学習不要の作業指向6自由度把持

パンを切るときは包丁の柄を握り、手渡すときは柄を空けておくといった用途に合う把持を、RGB-D画像1枚と文章の指示だけで、作業ラベル付きの把持データを学習せずに選べるかを問う。

安定してつかむだけでは半分にすぎない。作業指向把持では用途に合った持ち方が要るが、学習型は人手で付けた有限のデータに縛られ、スコア付け型は作業と無関係な生成器が正しい部位を提案しなければ打つ手がなく、平面型は画像平面の外から近づく把持を除外してしまう。

GCNGraspはTaskGraspデータ上で知識グラフを伝播し、GraspGPTとFoundationGraspは言語モデルの知識で作業非依存の生成器の候補を採点する。GraspMolmoは大規模な合成データで視覚言語モデルを追加学習し、GraspCoTは物理特性の推論を加える。

TGrasp6Dは物体をマスクして切り出し、視覚言語モデルに作業に必要な部位と画像上の位置を尋ね、その点を通るグリッパーの閉じ軸を線として答えさせる。カメラの幾何で点と線を3次元に持ち上げ、作業部位の周りにガウス事前分布を作る。そこから抽出した候補把持をSE(3)のリー代数上で最適化し、学習したグリッパー距離場で物体点群との衝突に罰則を与え、閉じ領域が作業点を覆う把持に報酬を与える。主な実験ではGPT-5.5を使った。

TaskGraspの物体と作業の組み合わせ310件（注釈付き把持とのIoUが0.1以上で成功）で、TGrasp6Dは94.5%、生成失敗率0%を記録し、FoundationGrasp 73.7%、GCNGrasp 72.1%、GraspMolmo 65.0%、GraspGPT 61.7%、GraspCoT 7.5%を上回った。差は20.8ポイント。姿勢最適化は視覚言語事前分布のみ（89.4%）に5.1ポイントを上積みし、位置の失敗を3.5%から1.6%、向きの失敗を3.9%から0.6%に減らしたが、部位選択の誤りは3.2%のままだった。最適化前にモデルを入れ替えるとGPT-5.5が89.68%、Gemini 3.7が84.19%、Qwen3.5-35Bが75.16%で、Qwenは入力の19.7%に回答できなかった。Franka Research 3の実機（物体5種、組み合わせ10件、各10回）では100回中93回成功し、GraspGPTの41回、FoundationGraspの52回を上回り、全組み合わせで10回中8回以上成功した。

RGB-Dの単一視点に頼るため深度ノイズと自己遮蔽に弱く、実機の失敗の多くは水差しとスプレーボトルで起きた。クラウドの大型モデルに依存して遅延とAPI費用がかかり、一度に扱える作業部位は一つで、最適化は接触力学や閉ループ補正を考慮しない。失敗時の向きと位置の誤差は学習型の比較手法より大きい。実機試験はアーム1台、物体5種にとどまる。プレプリントである。