学习推断新物体实例的运动学层级结构
计算机视觉与模式识别
2021-10-18 v1 机器人学
摘要
操控一个铰接物体需要感知其运动学层级结构：其部件、每个部件如何运动以及这些运动如何耦合。先前的工作已探索了运动学感知，但无一能在不依赖模式或模板的情况下，对前所未见的物体实例推断出完整的运动学层级结构。我们提出一个实现此目标的新型感知系统。我们的系统推断物体的运动部件以及关联它们的运动学耦合。为推断部件，它使用点云实例分割神经网络；为推断运动学层级结构，它使用图神经网络来预测关联所推断部件的边（即关节）的存在性、方向和类型。我们使用合成三维模型的模拟扫描来训练这些网络。我们在三维物体的模拟扫描上评估了我们的系统，并展示了使用我们的系统驱动真实世界机器人操控的概念验证。
引用
@article{arxiv.2110.07911,
title = {Learning to Infer Kinematic Hierarchies for Novel Object Instances},
author = {Hameed Abdul-Rashid and Miles Freeman and Ben Abbatematteo and George Konidaris and Daniel Ritchie},
journal= {arXiv preprint arXiv:2110.07911},
year = {2021}
}