[論文レビュー] GraspADMM: Improving Dexterous Grasp Synthesis via ADMM Optimization

Liangwang Ruan, Jiayi Chen+2 more|arXiv (Cornell University)|Mar 14, 2026

Robot Manipulation and Learning被引用数 0

ひとこと要約

GraspADMMはADMMベースの改良を用いて対象オブジェクトの接触点と実際の手の接触を分離し、衝突のない多様で動的に安定した把握を実現する最先端の把握成功率を達成。ダイナミック安定性を最適化しつつ運動学的実現性を厳格に守ることでDexonomyを上回る。

ABSTRACT

Synthesizing high-quality dexterous grasps is a fundamental challenge in robot manipulation, requiring adherence to diversity, kinematic feasibility (valid hand-object contact without penetration), and dynamic stability (secure multi-contact forces). The recent framework Dexonomy successfully ensures broad grasp diversity through dense sampling and improves kinematic feasibility via a simulator-based refinement method that excels at resolving exact collisions. However, its reliance on fixed contact points restricts the hand's reachability and prevents the optimization of grasp metrics for dynamic stability. Conversely, purely gradient-based optimizers can maximize dynamic stability but rely on simplified contact approximations that inevitably cause physical penetrations. To bridge this gap, we propose GraspADMM, a novel grasp synthesis framework that preserves sampling-based diversity while improving kinematic feasibility and dynamic stability. By formulating the refinement stage using the Alternating Direction Method of Multipliers (ADMM), we decouple the target contact points on the object from the actual contact locations on the hand. This decomposition allows the pipeline to alternate between updating the target object points to directly maximize dynamic grasp metrics, and adjusting the hand pose to physically reach these targets while strictly respecting collision boundaries. Extensive experiments demonstrate that GraspADMM significantly outperforms state-of-the-art baselines, achieving a nearly 15\% absolute improvement in grasp success rate for type-unaware synthesis and roughly a 100\% relative improvement in type-aware synthesis. Furthermore, our approach maintains robust, physically plausible grasp generation even under extreme low-friction conditions.

研究の動機と目的

• 高次元の指先把握合成における4つの核心課題（多様性、運動学的実現性（侵⼊なし）、動的安定性（確実な接触力）、速度）の解決。
• Dexonomyのサンプリング/多様性とシミュレーションベースの衝突解決を活用しつつ、接触点の可動性を導入。
• refinementをADMMとして定式化し、対象オブジェクトの接触点と実手の接触点をデカップリング。
• 補助変数と交互更新を通じて、衝突フリーな手-オブジェクト接触を厳格に保ちつつ、動的把握指標を最適化。

提案手法

• Dexonomyの4段階パイプライン（テンプレート注釈、サンプリングベースの初期化、シミュレータベースの改良、テンプレートのブーツストラップ）を維持。
• Dexonomyの純粋な運動学的改良を、物体接触点と手の接触点を分離するADMMベースの最適化へ置換。
• 接触点の力学的安定性をQPベースの接触力バランスで考慮した微分可能指標eとして把握品質を定義。
• 三段階のADMMループを解く： (1) 目的関数eを最大化するように対象物接触点p^oを更新、 (2) forward simulationを通じて手のポーズqと手の接触点p^hを更新し、p^h ≈ p^oを満たす、 (3) 凝縮を安定化させるように双対変数λをアニーリング付きで更新。
• 転置ヤコビ行列制御を用いた前方物理シミュレーション（MuJoCo）を使用し、接触力を関節トルクへマッピングして正確な衝突処理を保証。
• 動的安定性と運動学的実現性のバランスをとる適度なペナルティパラメータρ（≈ 10^3）を採用し、いずれかの目的の純粋最適化を避ける。

Figure 1 : Overview . From the same initialization, our GraspADMM framework generates robust grasps by optimizing contact points on the hand (red) and the object (yellow), while Dexonomy [ 6 ] simply fixes these points.

実験結果

リサーチクエスチョン

• RQ1 高い多様性を保ちながら、運動学的実現性と動的安定性を同時に改善するにはどうすればよいか（多指把握合成）。
• RQ2 ADMMによる対象物接触点と実手接触点の分離は、衝突のない手-オブジェクト相互作用を維持しつつ、把握指標の効果的最適化を可能にするか。
• RQ3 ADMMベースの改良は、多様な把握タイプと摩擦条件に対して、純粋なシミュレータベース改良や純粋勾配法改良を上回るか。
• RQ4 初期化とハイパーパラメータ（ρ、双対変数のアニーリング）が収束と把握品質に与える影響はどの程度か。

主な発見

Method	GSR %	OSR %	CDC	PD	Div %
DexGraspNet [32]	12.1	57.0	7.6	4.9	29.0
FRoGGeR [19]	10.3	55.7	5.0	0.2	27.0
SpringGrasp [8]	7.8	35.4	23.6	16.6	70.2
BODex [7]	49.2	96.6	3.0	0.6	32.5
Dexonomy [6]	60.5	96.5	0.21	0.0	34.2
GraspADMM (Ours)	74.6	97.2	0.17	0.0	25.7

• GraspADMMは型非依存の大規模オブジェクト集合においてDexonomyより約15%の絶対的改善を達成。
• GraspADMMは型依存の把握合成において、多様な把握タイプで約100%の相対改善を提供。
• この手法はDexonomyと同程度の侵入深さゼロと速度を維持しつつ、接触点最適化の柔軟性により多様性を高める。
• 極端に低い摩擦条件（μ=0.1）においてもGraspADMMは多様で安定した多指把握を生成し、ベースラインを上回る。
• アブレーション解析は、初期化と中間的なρ値（例：10^2–10^3）が高いGSR/OSRにとって重要であり、ρが大きすぎると性能が低下することを示す。

Figure 2 : ADMM Optimization Pipeline . (a) Update target object contact points $\mathbf{p}^{o}$ via gradient descent to maximize dynamic stability. (b) Update hand pose $\mathbf{q}$ and points $\mathbf{p}^{h}$ via forward-simulated transposed Jacobian control to satisfy kinematic feasibility. (c) U