杂乱场景中刚体对象的挖掘学习
机器人学
2021-07-12 v1
摘要
针对坚硬或密实材料（尤其是非规则刚体对象）的自主挖掘具有挑战性，原因在于对象几何与物理属性方差大，且挖掘时阻力大。本文提出一种新颖的基于学习的杂乱刚体对象挖掘规划方法。我们的方法由一个卷积神经网络（用于预测挖掘成功率）和一个基于采样的优化方法（利用所学预测模型规划高质量挖掘轨迹）组成。为缩小挖掘学习的 sim2real 鸿沟，我们提出一种基于体素的挖掘场景表示。我们在仿真与真实世界中执行挖掘实验以评估基于学习的挖掘规划器。我们进一步与两种启发式基线挖掘规划器和一种数据驱动的场景无关规划器比较。实验结果表明，我们的方法能为杂乱中的刚体对象规划高质量挖掘，并以大幅优势超越基线方法。据我们所知，我们的工作提出了首个面向杂乱非规则刚体对象的基于学习的挖掘规划器。
引用
@article{arxiv.2107.04171,
title = {Excavation Learning for Rigid Objects in Clutter},
author = {Qingkai Lu and Liangjun Zhang},
journal= {arXiv preprint arXiv:2107.04171},
year = {2021}
}
备注
Accepted to IEEE Robotics and Automation Letters (RA-L) 2021