从演示中学习多关节刚性对象的顺序运动学模型
机器人学
2025-05-13 v1 人工智能
摘要
随着机器人变得更加通用且部署在多样化的环境中，它们必须与复杂对象进行交互，这些对象许多具有多个独立关节或自由度 (DoF)，需要精确控制。常见策略是对象建模，其中从真实世界观察中学习紧凑状态空间模型并与经典规划结合。然而，现有方法常依赖先验知识或仅关注单DoF对象，限制了其适用性。它们还无法处理遮挡关节，忽略了访问这些关节所需的操纵序列。我们通过从人类演示中学习对象模型来解决这些问题。我们引入了对象运动学序列机器 (Object Kinematic Sequence Machines, OKSMs)，一种新型表示，既捕获运动约束，又捕获操纵顺序，用于多DoF对象。为从点云数据估计这些模型，我们提出了 Pokenet，一个在人类演示数据上训练的深度神经网络。我们在 8,000 个模拟样本和 1,600 个真实世界标注样本上验证了方法。与先前方法相比，Pokenet 在真实世界数据上的关节轴向和状态估计精度提升超过 20%。最后，我们使用基于逆运动学的规划在 Sawyer 机器人上演示了 OKSMs 的实际应用。
引用
@article{arxiv.2505.06363,
title = {Learning Sequential Kinematic Models from Demonstrations for Multi-Jointed Articulated Objects},
author = {Anmol Gupta and Weiwei Gu and Omkar Patil and Jun Ki Lee and Nakul Gopalan},
journal= {arXiv preprint arXiv:2505.06363},
year = {2025}
}