Defo-Net：利用生成对抗网络学习物体形变
机器人学
2018-04-18 v1
摘要
对日常物体的物理属性建模是自主机器人的基本前提。我们提出了一种新颖的生成对抗网络（Defo-Net），能够从单张 RGB-D 图像预测外力作用下的物体形变。该网络基于可逆条件生成对抗网络（IcGAN），并在由物理有限元模型模拟器生成的若干感兴趣物体集合上训练。Defo-Net 继承了 GAN 的泛化特性。这意味着网络能够在给定物体单张深度视图的情况下重建物体的整体三维外观，并泛化至未见过的物体构型。与传统有限元方法相反，我们的方法足够快，可用于实时应用。我们将该网络应用于携带载荷在不同障碍与地板材质上安全快速导航的移动机器人问题。真实场景中的实验结果显示，装备 RGB-D 相机的机器人可利用该网络预测不同载荷构型下的地形形变，并借此规避不安全区域。
引用
@article{arxiv.1804.05928,
title = {Defo-Net: Learning Body Deformation using Generative Adversarial Networks},
author = {Zhihua Wang and Stefano Rosa and Linhai Xie and Bo Yang and Sen Wang and Niki Trigoni and Andrew Markham},
journal= {arXiv preprint arXiv:1804.05928},
year = {2018}
}
备注
In ICRA 2018