DEFT：用于实时建模分支状可伸缩棒的可微分离散弹性棒
机器人学
2025-05-07 v5 人工智能
图形学
摘要
自动化线束装配需要机器人精确可靠地操作复杂的分支电缆。自动化这一过程的关键挑战在于预测这些灵活且分支结构在操作下的行为方式。没有准确的预测，就难以让机器人可靠地规划或执行装配操作。虽然现有研究在单线程可伸缩对象（DLOs）建模方面取得了进展，但将这些方法扩展到分支状可伸缩对象（BDLOs）提出了根本性的挑战。BDLOs 中的分支点会创建复杂的力互动和应变传播模式，无法通过简单连接多个单DLO模型来充分捕获。为了解决这些挑战，本文提出了一种新框架DEFt（Differentiable discrete branched Elastic rods for modeling Furcated DLOs in real-Time），该框架结合了可微分物理模型和学习框架，以：1）准确建模BDLOs的动态行为，包括分支点的动态传播和在BDLO中部抓取；2）实现实时推断的高效计算；3）实现规划以演示灵巧的BDLO操作。一系列全面的实际实验表明，DEFt在准确性、计算速度和通用性方面都优于当前最先进的替代方案。项目页面：https://roahmlab.github.io/DEFT/。
引用
@article{arxiv.2502.15037,
title = {DEFT: Differentiable Branched Discrete Elastic Rods for Modeling Furcated DLOs in Real-Time},
author = {Yizhou Chen and Xiaoyue Wu and Yeheng Zong and Yuzhen Chen and Anran Li and Bohao Zhang and Ram Vasudevan},
journal= {arXiv preprint arXiv:2502.15037},
year = {2025}
}