学习用于双手机器人操作的无标记可变形线性对象的准静态三维模型
机器人学
2023-09-15 v1 计算机视觉与模式识别
机器学习
摘要
可变形线性对象（DLOs）的机器人操作是一项重要且具挑战性的任务，在许多实际应用中十分关键。该问题的经典基于模型的方法需要准确的模型来捕捉机器人运动如何影响 DLO 的形变。如今，数据驱动模型在质量与计算时间之间提供了最佳权衡。本文分析了 DLO 的几种基于学习的三维模型，并提出了一种基于 Transformer 架构的新模型，得益于所提出的缩放方法，该模型实现了更优的精度，即便对于不同长度的 DLO 亦如此。此外，我们引入了一种数据增强技术，它改善了几乎所有所考虑的 DLO 数据驱动模型的预测性能。得益于该技术，即便一个简单的多层感知机（MLP）也能达到接近最先进（SOTA）的性能，同时评估速度显著更快。在实验中，我们在多个具有挑战性的数据集上定量比较了 DLO 的基于学习的三维模型的性能，并展示了它们在 DLO 塑形任务中的适用性。
引用
@article{arxiv.2309.07609,
title = {Learning Quasi-Static 3D Models of Markerless Deformable Linear Objects for Bimanual Robotic Manipulation},
author = {Piotr Kicki and Michał Bidziński and Krzysztof Walas},
journal= {arXiv preprint arXiv:2309.07609},
year = {2023}
}
备注
Under review for IEEE Robotics and Automation Letters