用于学习关节物体组上动作效应的信念调节双传播网络
机器人学
2020-03-17 v3
摘要
近年来，图神经网络已成功应用于学习复杂且部分可观测物理系统的动力学。然而，其在机器人领域的使用迄今仍有限。本文引入信念调节双传播网络（BRDPN），一种通用可学习物理引擎，使机器人能预测其在包含关节多部件物体组的场景中的动作效应。具体地，我们的框架扩展了最近提出的传播网络（PropNets），由互补的两部分构成：物理预测器与信念调节器。前者预测机器人操控的物体未来状态，后者持续修正机器人关于物体及其关系的知识。我们的结果表明，在模拟器中训练后，机器人能可靠地在物体轨迹层面预测其动作后果，并利用自身交互经验修正其对环境状态的信念，从而在部分可观测环境中实现更好预测。此外，训练模型迁移至真实世界，并在预测初始关节关系未知的被推交互物体轨迹中得到验证。我们将BRDPN与PropNets比较，显示BRDPN表现持续良好。而且，BRDPN可调节其物理预测，因为关系可在线预测。
引用
@article{arxiv.1909.03785,
title = {Belief Regulated Dual Propagation Nets for Learning Action Effects on Groups of Articulated Objects},
author = {Ahmet E. Tekden and Aykut Erdem and Erkut Erdem and Mert Imre and M. Yunus Seker and Emre Ugur},
journal= {arXiv preprint arXiv:1909.03785},
year = {2020}
}
备注
Accepted to ICRA 2020. Project page: https://fzaero.github.io/BRDPN/ , Video: https://youtu.be/uWPr7IFT_9k