DeformerNet：一种用于三维可变形物体操作的深度学习方法
机器人学
2021-07-20 v1 人工智能
摘要
在本文中，我们提出了一种利用称为DeformerNet的深度神经网络进行三维可变形物体操作的新方法。控制三维物体的形状需要一种能够有效捕捉物体完整三维几何的状态表示。现有方法通过定义物体上的一组特征点或仅在二维图像空间中变形物体来规避该问题，并未真正解决三维形状控制问题。相反，我们显式地使用三维点云作为状态表示，并在点云上应用卷积神经网络来学习三维特征。随后这些特征通过全连接神经网络映射到机器人末端执行器的位置。一旦以端到端方式训练完成，DeformerNet便直接将可变形物体的当前点云以及目标点云形状映射到机器人夹爪位置所需的位移。此外，我们研究了在给定物体初始与目标形状时预测操作点位置的问题。
引用
@article{arxiv.2107.08067,
title = {DeformerNet: A Deep Learning Approach to 3D Deformable Object Manipulation},
author = {Bao Thach and Alan Kuntz and Tucker Hermans},
journal= {arXiv preprint arXiv:2107.08067},
year = {2021}
}
备注
Published at RSS 2021 Workshop on Deformable Object Simulation in Robotics; received Honorable Mention for Best Paper Award