CabiNet：通过程序化场景生成扩展物体重排的神经碰撞检测
机器人学
2023-04-20 v1 计算机视觉与模式识别
摘要
我们解决了在无任何显式物体模型条件下将机器人重排推广至杂乱环境这一重要问题。我们首先在橱柜和货架等多种日常环境中生成超过 65 万个杂乱场景——比先前工作多出数个数量级。我们从该数据渲染合成的部分点云，并用以训练我们的 CabiNet 模型架构。CabiNet 是一个碰撞模型，接受由单视角深度观测捕获的物体与场景点云，并预测场景中 SE(3) 物体位姿的碰撞。我们的表征具有每查询 7 微秒的快速推理速度，在挑战性环境中性能比基线方法高出近 20%。我们将此碰撞模型与 Model Predictive Path Integral (MPPI) 规划器结合，以生成杂乱环境中抓取与放置的无碰撞轨迹。CabiNet 还预测由场景有符号距离场（SDF）计算的路径点，使机器人能在重排过程中穿越狭窄空间。相比基线，这将重排性能提升了近 35%。我们系统性地评估了我们的方法，程序化生成仿真实验，并证明尽管仅在仿真中训练，我们的方法可直接迁移至真实世界。完全未知场景与物体中的机器人实验演示可参见 https://cabinet-object-rearrangement.github.io
引用
@article{arxiv.2304.09302,
title = {CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation},
author = {Adithyavairavan Murali and Arsalan Mousavian and Clemens Eppner and Adam Fishman and Dieter Fox},
journal= {arXiv preprint arXiv:2304.09302},
year = {2023}
}