IFOR：用于机器人物体重排的迭代流最小化
机器人学
2022-02-03 v1 计算机视觉与模式识别
摘要
从视觉进行准确的物体重排对于非结构化环境中广泛的真实世界机器人应用是一个关键问题。我们提出 IFOR（Iterative Flow Minimization for Robotic Object Rearrangement，用于机器人物体重排的迭代流最小化），一种针对给定原始与最终场景 RGBD 图像的未知物体重排这一挑战性问题的端到端方法。首先，我们基于 RAFT 学习一个光流模型，以纯粹从合成数据估计物体的相对变换。该流随后被用于迭代最小化算法中，以实现对先前未见物体的准确定位。关键的是，我们展示了我们的方法适用于杂乱场景，并且仅在合成数据上训练即可应用于真实世界。视频可在 https://imankgoyal.github.io/ifor.html 查看。
引用
@article{arxiv.2202.00732,
title = {IFOR: Iterative Flow Minimization for Robotic Object Rearrangement},
author = {Ankit Goyal and Arsalan Mousavian and Chris Paxton and Yu-Wei Chao and Brian Okorn and Jia Deng and Dieter Fox},
journal= {arXiv preprint arXiv:2202.00732},
year = {2022}
}