DefGoalNet：从演示中学习形变物体操作的上下文目标形状
机器人学
2023-09-27 v1 人工智能
机器学习
摘要
形状伺服是一种致力于将物体控制至期望目标形状的机器人任务，是形变物体操作的一种有前景的方法。然而，依赖目标形状的指定会带来问题。该目标或通过费力的领域知识工程过程获得，或通过手动将物体操控至期望形状并捕捉该特定时刻的目标形状获得，二者在多种机器人应用中均不实用。本文中，我们通过开发新型神经网络 DefGoalNet 解决此问题，其直接从少量人类演示中学习形变物体的目标形状。我们在各类机器人任务上验证了方法的有效性，包括仿真与物理机器人。值得注意的是，在手术牵拉任务中，即使仅以少至 10 次演示训练，我们的方法也取得了近 90% 的中位成功率。这些结果标志着在使形状伺服方法将形变物体操作推向实际现实应用方面取得了实质性进展。
引用
@article{arxiv.2309.14463,
title = {DefGoalNet: Contextual Goal Learning from Demonstrations For Deformable Object Manipulation},
author = {Bao Thach and Tanner Watts and Shing-Hei Ho and Tucker Hermans and Alan Kuntz},
journal= {arXiv preprint arXiv:2309.14463},
year = {2023}
}
备注
Submitted to IEEE Conference on Robotics and Automation (ICRA) 2024. 8 pages, 11 figures