基于异构图神经网络在受限环境中进行对抗物体重排
机器人学
2023-09-28 v1
摘要
现实世界中的对抗物体重排（例如厨房和商店中先前未见或超大的物品）可受益于对任务场景的理解，这类场景天然包含异构组件，如当前物体、目标物体和环境约束。这些组件之间的语义关系彼此不同，且对于多技能机器人在日常场景中高效执行至关重要。我们提出了一种分层机器人操纵系统，其学习潜在关系并最大化其多样技能（例如抓取-放置、推）的协同能力，以在受限环境中重排对抗物体。高层协调器采用异构图神经网络（HetGNN），对当前物体、目标物体和环境约束进行推理；低层基于3D卷积神经网络（3D CNN）的执行器实施基本动作。我们的方法完全在仿真中训练，在真实世界实验中取得了87.88%的平均成功率和12.82的规划代价，超越了所有基线方法。补充材料见 https://sites.google.com/umn.edu/versatile-rearrangement。
引用
@article{arxiv.2309.15378,
title = {Adversarial Object Rearrangement in Constrained Environments with Heterogeneous Graph Neural Networks},
author = {Xibai Lou and Houjian Yu and Ross Worobel and Yang Yang and Changhyun Choi},
journal= {arXiv preprint arXiv:2309.15378},
year = {2023}
}
备注
Accepted for publication in IROS 2023