具有概率图重连的基于图的 3D 碰撞距离估计网络
机器人学
2024-03-12 v2
摘要
我们旨在解决给定三维（3D）几何体的数据驱动碰撞距离估计问题。传统算法由于依赖点云等有限表示而精度较低。相比之下，我们之前的基于图的模型 GraphDistNet 利用边信息实现了高精度，但随着图规模增大带来更高的消息传递成本，限制了其在 3D 几何体上的适用性。为克服这些挑战，我们提出 GDN-R，一种新颖的基于 3D 图的估计网络。GDN-R 采用利用可微分 Gumbel-top-K 松弛的逐层概率图重连算法。我们的方法通过迭代图重连和更新相关嵌入准确推断最小距离。概率重连实现了对未知类别几何体的快速且鲁棒的嵌入。通过 41,412 个含 150 对 3D 物体的随机基准任务，我们表明 GDN-R 在精度和泛化性上优于最先进的基线方法。我们还表明所提出的重连提升了更新性能并减小了估计模型规模。我们最后展示了其在仿真和真实场景中进行轨迹优化的批量预测与自动微分能力。
引用
@article{arxiv.2310.04044,
title = {Graph-based 3D Collision-distance Estimation Network with Probabilistic Graph Rewiring},
author = {Minjae Song and Yeseung Kim and Min Jun Kim and Daehyung Park},
journal= {arXiv preprint arXiv:2310.04044},
year = {2024}
}
备注
7 pages, 6 figures