연구진이 객체 포즈·모양 추정 기술의 그립 생성 성능을 평가했어요. 엔코더-디코더, 디퓨전 모델 기반 추정 방식과 엔드투엔드 그립 합성 방식의 성능을 비교했죠. 객체 포즈·모양 추정 방식이 엔드투엔드 방식보다 더 나은 성능을 보였고, 특히 작은 물체에 대한 그립 생성에 강점을 보였어요. 다만 복잡한 환경에서는 정확도가 떨어지는 한계가 있었고, 언어 모델과 결합하여 조건부 그립 생성도 가능했어요.
연구 결과, 객체 포즈·모양 추정 방식은 다양한 그립을 생성할 수 있었지만, 정확도가 낮으면 성능이 저하되는 문제가 있었어요. 또한, 엔코더-디코더 기반 방식과 디퓨전 모델 기반 방식의 실행 시간과 실패 요인을 분석했죠. Vision-language 모델을 활용해 단일 RGB-D 이미지에서 언어 기반 그립 생성도 가능했어요.
객체 포즈·모양 추정 기술은 현재까지 그립 생성에 효과적인 방법으로 떠올랐지만, 복잡한 환경에서의 한계와 정확도 개선이 필요해요. 향후 연구에서는 이러한 한계를 극복하고, 더욱 다양한 환경에서 안정적인 그립 생성을 가능하게 하는 기술 개발이 중요할 것으로 보입니다.