رباتیک
GraspBench ارزیابی گیره‌های رباتیک را از پیشنهاد تا اجرای واقعی می‌سنجد
این پروتکل در شبیه‌ساز MuJoCo شش خط لولهٔ تولید گرفتن را روی چهار ربات و ۵۴۰ سناریو برای هر روش می‌آزماید؛ GraspGen بالاترین نرخ موفقیت را ثبت کرده است.
امتیازهای یک مدل یا کیفیت پیشنهادهای گرفتن به‌تنهایی نشان نمی‌دهد که یک ربات مشخص بتواند آن‌ها را اجرا کند. پژوهشگران در پیش‌چاپ GraspBench روشی برای ارزیابی کامل خط لولهٔ گرفتن ارائه کرده‌اند که پیشنهادها را پس از بررسی سینماتیک معکوس مختص هر ربات، برنامه‌ریزی حرکت و اجرای ثابتِ نزدیک‌شدن، بستن گیره و بلندکردن جسم می‌سنجد.
آزمایش در MuJoCo، شش خط لولهٔ پیکربندی‌شده را روی چهار نوع ربات، پنج شیء تشخیصی و شبکه‌ای ساختاریافته از وضعیت‌های جسم روی میز بررسی می‌کند: در مجموع ۵۴۰ سناریو برای هر روش و ۳٬۲۴۰ ارزیابی روش-سناریو. خروجی‌های مفقود، برای احتیاط، شکست محسوب شده‌اند و موفقیت بر اساس معیار دودویی بلندکردن جسم در اجراگر هر روش تعیین می‌شود.
GraspGen با نرخ موفقیت ۷۳٫۱ درصد در رتبهٔ نخست قرار گرفت و پس از آن EconomicGrasp با ۶۳٫۵ درصد آمد. GPG بزرگ‌ترین مجموعهٔ پیشنهادهای اولیه را تولید کرد، اما نرخ موفقیتش ۴۴٫۳ درصد بود؛ نتیجه‌ای که نشان می‌دهد تعداد پیشنهادها به‌تنهایی تضمین نمی‌کند گرفتن‌ها برای ربات قابل‌اجرا باشند. تحلیل‌ها همچنین تفاوت عملکرد را برحسب ربات و شکل جسم نشان می‌دهند.
نویسندگان می‌گویند فاصله‌های اطمینان جفت‌شده با درنظرگرفتن خوشه‌بندی، از تفاوت‌های اصلی میان روش‌ها پشتیبانی می‌کنند؛ اما عدم‌قطعیت ناشی از اجرای مکرر را برآورد نمی‌کنند. بنابراین نتایج، عملکرد خط لوله‌های پیکربندی‌شده را در سناریوهای ثابت توصیف می‌کند، نه کیفیت ذاتی مدل‌ها یا تکرارپذیری تصادفی آن‌ها. این مقالهٔ هفت‌صفحه‌ای برای انتشار در ICARCV 2026 پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده