基于图的面向刚体与可变形体交互的任务特定预测模型
机器人学
2021-03-05 v1
摘要
捕捉场景动态并预测未来场景状态具有挑战性，但对机器人操作任务至关重要，尤其是当场景同时包含刚体和可变形物体时。在本工作中，我们贡献了一个仿真环境，并生成了一个涉及刚体与可变形袋子交互的、面向任务特定操作的新数据集。该数据集包含了丰富的多样场景，包括不同的物体尺寸、物体数量和操作动作。我们通过提出一种以物体为中心的图表示以及两个基于图神经网络、采用编码-处理-解码架构的模块（主动预测模块（APM）和位置预测模块（PPM））来研究动力学学习。在推理阶段，我们基于所学模块构建了一个用于单时间步预测的两阶段模型。我们将具有不同预测时域的模块组合成一个混合时域模型，以解决长期预测问题。在消融研究中，我们展示了两阶段模型在单时间步预测中的优势，以及混合时域模型在长期预测任务中的有效性。补充材料见 https://github.com/wengzehang/deformable_rigid_interaction_prediction
引用
@article{arxiv.2103.02932,
title = {Graph-based Task-specific Prediction Models for Interactions between Deformable and Rigid Objects},
author = {Zehang Weng and Fabian Paus and Anastasiia Varava and Hang Yin and Tamim Asfour and Danica Kragic},
journal= {arXiv preprint arXiv:2103.02932},
year = {2021}
}
备注
IROS 2021 submission, Zehang Weng and Fabian Paus have equal contribution to this paper