基于扩散模型的概率性多指操作接触搜索
机器人学
2024-10-02 v1
摘要
由于高维度和混合动态，规划多指操作的接触丰富互动具有挑战性。近期数据驱动方法显示出前景，但对训练数据的质量敏感。将学习与如轨迹优化和搜索等经典方法结合，添加以约束形式出现的领域知识，可导致超越训练数据表现的结果。我们提出了扩散信息感知的概率性接触搜索（DIPS），其使用 A* 搜索规划接触模式序列。我们在由轨迹优化器给定这些接触模式生成的演示数据集上训练扩散模型。此外，我们使用基于粒子滤波的方法来推理扩散采样的变异性，估计轨迹的似然性。我们表明该方法优于不考虑变异性的消化剂，并且可以在多个任务上规划出超越训练数据中接触序列的轨迹。我们在仿真桌面卡片滑动和螺丝刀旋转任务上进行评估，并在硬件上进行螺丝刀任务，以显示我们的组合学习和规划方法可迁移到实际环境中。
引用
@article{arxiv.2410.00841,
title = {Diffusion-Informed Probabilistic Contact Search for Multi-Finger Manipulation},
author = {Abhinav Kumar and Thomas Power and Fan Yang and Sergio Aguilera Marinovic and Soshi Iba and Rana Soltani Zarrin and Dmitry Berenson},
journal= {arXiv preprint arXiv:2410.00841},
year = {2024}
}