DAP：面向多模态存储的基于扩散的可供性预测
机器人学
2024-09-04 v1 计算机视觉与模式识别
摘要
解决存储问题——即物体必须以精确的姿态和位置准确放入容器中——提出了一个超越传统重排任务的独特挑战。这些挑战主要源于对精细6D操作的需求以及解空间固有的多模态性，即同一存储容器存在多个可行的目标配置。我们提出了一种新颖的基于扩散的可供性预测（DAP）流程，用于解决多模态物体存储问题。DAP采用两步法，首先识别容器上的可放置区域，然后精确计算物体与该区域之间的相对位姿。现有方法要么难以处理多模态问题，要么训练计算密集。我们的实验证明了DAP在性能和训练效率上优于当前最先进的RPDiff，在RPDiff基准上取得了显著成果。此外，我们的实验展示了DAP在实际应用中的数据效率，这是对现有仿真驱动方法的一项进步。我们的贡献填补了机器人操作研究中的一个空白，提供了一种既计算高效又能处理现实世界可变性的解决方案。代码和补充材料可在以下链接找到：https://github.com/changhaonan/DPS.git。
引用
@article{arxiv.2409.00499,
title = {DAP: Diffusion-based Affordance Prediction for Multi-modality Storage},
author = {Haonan Chang and Kowndinya Boyalakuntla and Yuhan Liu and Xinyu Zhang and Liam Schramm and Abdeslam Boularias},
journal= {arXiv preprint arXiv:2409.00499},
year = {2024}
}
备注
Paper Accepted by IROS2024. Arxiv version is 8 pages