面向可变形物体操作的具有前瞻性的稠密视觉可供性学习
计算机视觉与模式识别
2023-07-24 v3 机器人学
摘要
理解并操控可变形物体（如绳索和织物）是一项基础且具有广泛应用的重要任务，同时也充满挑战。其困难源于可变形物体复杂的状态与动力学、多样的构型以及高维动作空间。此外，操控任务通常需要多步完成，而贪婪策略易陷入局部最优状态。现有研究通常利用强化学习或模仿专家演示来解决该问题，但在建模复杂状态或需要手工设计专家策略方面存在局限。本文利用稠密视觉可供性研究可变形物体操作，实现对多样状态的泛化，并提出一种新颖的具有前瞻性的稠密可供性，通过估计状态的长期操作价值来避免局部最优。我们提出了学习该表示的框架，并包含多阶段稳定学习和无需专家的高效自监督数据收集等新颖设计。实验证明了我们所提出的前瞻性稠密可供性的优越性。项目页面：https://hyperplane-lab.github.io/DeformableAffordance
引用
@article{arxiv.2303.11057,
title = {Learning Foresightful Dense Visual Affordance for Deformable Object Manipulation},
author = {Ruihai Wu and Chuanruo Ning and Hao Dong},
journal= {arXiv preprint arXiv:2303.11057},
year = {2023}
}
备注
ICCV 2023