基于局部 GNN 的深度学习用于目标条件可变形物体重排
机器人学
2023-02-22 v1 人工智能
机器学习
摘要
物体重排是最常见的可变形操作任务之一，机器人需将可变形物体重排至目标配置。以往研究聚焦于通过基于模型或数据驱动的方法为各特定任务设计专家系统，应用场景因而受限。一些研究试图设计通用框架以获得更先进的可变形重排操作能力，在仿真中已取得诸多进展。然而，由于端到端 CNN 架构的局限，从仿真到现实的迁移十分困难。为应对这些挑战，我们设计了一种基于局部 GNN（图神经网络）的学习方法，利用两个表示图对图像中检测到的关键点进行编码。自注意力用于图更新，交叉注意力用于生成操作动作。大量实验表明，我们的框架在仿真中的多种一维（绳、绳环）与二维（布）重排任务上有效，并可通过微调关键点检测器轻松迁移至真实机器人。
引用
@article{arxiv.2302.10446,
title = {Deep Reinforcement Learning Based on Local GNN for Goal-conditioned Deformable Object Rearranging},
author = {Yuhong Deng and Chongkun Xia and Xueqian Wang and Lipeng Chen},
journal= {arXiv preprint arXiv:2302.10446},
year = {2023}
}
备注
has been accepted by IEEE/RSJ International Conference on Intelligent Robots and Systems 2022