利用 CVAE 对多指夹具的联合配置估计进行点云数据驱动
机器学习
2025-11-24 v1 应用统计
摘要
本文提出了一种高效的方法，用于仅从其多关节链的点云数据（由视觉传感器、仿真或生成式神经网络生成）来确定多指夹具的关节配置。众所周知，逆向运动学 (IK) 技术可以为基于夹尖姿态的关节配置确定提供数学上精确的解（当存在时），但通常需要考虑夹具所有中间节的Position进行事后决策，或依赖于数值近似算法来处理更复杂的运动学。相反，我们的方法利用机器学习来隐式克服这些挑战。这通过一种条件变分自编码器 (CVAE) 实现，该编码器将关键结构元素的点云数据作为输入，并重构相应的关节配置。我们在 Allegro Hand 上使用 MultiDex 抓取数据集对我们的方案进行了验证，运算时间在 0.05 毫秒内，准确率与最先进的方法相当。这突显了我们管道在更广泛的 AI 驱动抓取规划上下文中的有效性。
引用
@article{arxiv.2511.17275,
title = {Automobile demand forecasting: Spatiotemporal and hierarchical modeling, life cycle dynamics, and user-generated online information},
author = {Tom Nahrendorf and Stefan Minner and Helfried Binder and Richard Zinck},
journal= {arXiv preprint arXiv:2511.17275},
year = {2025}
}