基于网格表示与不完全领域知识及体素到网格估计的布料操作规划

我们考虑机器人布料操作的开放目标规划问题。我们系统的核心是一个作为操纵下布料行为前向模型训练的神经网络，通过反向传播执行规划。我们引入一种基于神经网络的例程，用于从体素输入估计网格表示，并在内部以网格格式进行规划。我们通过显式的认知不确定性信号来解决不完全领域知识下的规划问题。该信号由前向模型网络两个实例间的预测差异计算而得，并用于在规划中规避认知不确定性。最后，我们引入处理逻辑以将抓取点限制于一组离散候选点，从而适应机器人硬件所施加的可抓取性约束。我们在模拟布料上对该系统的网格估计、预测和规划能力进行了一至三次操纵序列的评估。对比实验证实，基于估计网格的规划相比基于体素的规划提高了精度，且认知不确定性规避在不完全领域知识条件下提升了性能。规划时间开销为几秒。我们另给出了机器人硬件上的定性结果。