EAGG: 기하 정보 기반 그래프 조건을 통한 신체 구조 정렬 그립 생성

EAGG: Embodiment-Aligned Grasp Generation via Geometry-Aware Graph Conditioning

교차 엔드 이펙터 그립 생성은 다양한 객체와 병렬 그리퍼부터 숙련된 엔드 이펙터에 이르기까지 다양한 신체 구조에 대한 일반화가 가능한 통합 모델을 추구합니다. 기존의 그립 생성기는 일반적으로 특정 신체 구조를 위해 설계되거나, 정적인 설명자를 사용하여 신체 구조 정보를 인코딩하는데, 이는 신체 구조의 토폴로지, 작동 연결 및 접촉 형상이 크게 다를 경우 성능 저하를 야기합니다. 본 논문에서는 각 신체 구조를 토폴로지 기반 엔드 이펙터 그래프와 신체 구조별 저차원 엔드 이펙터 제어 공간으로 표현하는 신체 구조 정렬 그립 생성기인 EAGG를 제시합니다. 고정된 엔드 이펙터-인지 백본은 현재의 조인트 상태를 기하 정보가 포함된 토큰으로 변환하며, 이는 재사용 가능한 형태학적 사전 지식 역할을 합니다. 반복적인 기하 정보 주입은 샘플링 과정에서 이러한 토큰을 업데이트하여, 조건 설정이 변화하는 엔드 이펙터 형상과 동기화되도록 유지합니다. MultiGripperGrasp 벤치마크에서 EAGG는 6가지 학습된 엔드 이펙터를 사용하여 평균적으로 56.17%의 성공률을 달성했으며, 이는 특수하게 학습된 모델과의 격차인 1.10% 이내입니다. 또한, 미세 조정 및 제로샷 엔드 이펙터에 대한 일반화 성능도 유지됩니다. 반복적인 기하 정보 주입은 평균 접촉 거리를 0.239cm에서 0.189cm로 더욱 감소시켰습니다. 이러한 결과는 신체 구조 간의 차이를 억제하는 것이 아니라, 공유 생성기 내에서 신체 구조를 정렬함으로써 교차 엔드 이펙터 그립 생성을 강화할 수 있음을 보여줍니다. 코드 및 관련 정보는 https://github.com/wanhaoniu/EAGG 에서 확인할 수 있습니다.

Cross-end-effector grasp generation seeks a unified model that generalizes across objects and across embodiments ranging from parallel grippers to dexterous end effectors. Existing grasp generators are typically designed for a fixed embodiment or encode embodiment identity with a static descriptor, which weakens transfer when topology, actuation coupling, and contact geometry differ substantially. We present EAGG, an embodiment-aligned grasp generator that represents each embodiment with a topology-aware end-effector graph and an embodiment-specific low-dimensional end-effector control space. A frozen end-effector-cognition backbone converts the current articulated state into geometry-aware tokens that act as a reusable morphology prior, and iterative geometry injection refreshes these tokens throughout sampling so that conditioning remains synchronized with the evolving end-effector geometry. On the MultiGripperGrasp benchmark, EAGG reaches 56.17% average success across six training end effectors, remaining within 1.10 percentage points of specialized training while preserving transfer to finetuning and zero-shot end effectors. Iterative geometry injection further reduces the pooled median contact distance from 0.239 cm to 0.189 cm. These results show that cross-end-effector grasp generation is strengthened by aligning embodiment structure inside a shared generator rather than suppressing embodiment differences. Code is available at https://github.com/wanhaoniu/EAGG.