EDO-Net：从图动力学学习可变形物体的弹性属性
计算机视觉与模式识别
2024-12-23 v4 人工智能
机器人学
摘要
我们研究学习可变形物体的图动力学并泛化到未知物理属性的问题。我们的核心见解是利用可从例如拉伸交互中提取的类布可变形物体弹性物理属性的潜表示。本文提出EDO-Net（Elastic Deformable Object - Net），一种在大量具有不同弹性属性的样本上训练的图动力学模型，其不依赖于属性的真实标签。EDO-Net联合学习一个适配模块和一个前向动力学模块。前者负责提取物体物理属性的潜表示，后者利用该潜表示预测以图表示的类布物体的未来状态。我们在仿真与真实世界中评估EDO-Net，考察其以下能力：1）泛化到未知物理属性，2）将学到的表示迁移到新的下游任务。
引用
@article{arxiv.2209.08996,
title = {EDO-Net: Learning Elastic Properties of Deformable Objects from Graph Dynamics},
author = {Alberta Longhini and Marco Moletta and Alfredo Reichlin and Michael C. Welle and David Held and Zackory Erickson and Danica Kragic},
journal= {arXiv preprint arXiv:2209.08996},
year = {2024}
}