从部分视角点云学习新颖三维可变形物体的视觉形状控制
机器人学
2022-04-20 v2 人工智能
摘要
若机器人能可靠地操控三维可变形物体的形状，便可在家庭护理、仓储 fulfillment 到手术辅助等领域找到应用。弹性三维可变形物体的解析模型需要众多参数来描述决定物体形状时潜在无限的自由度。以往进行三维形状控制的尝试依赖手工设计特征来表示物体形状，且需要训练针对特定物体的控制模型。我们通过使用新颖的 DeformerNet 神经网络架构克服了这些问题：该架构作用于被操控物体的部分视角点云与目标形状的点云，以学习物体形状的低维表示。该形状嵌入使机器人能够学习定义一个视觉伺服控制器，为机器人末端执行器提供笛卡尔位姿变化，使物体变形朝向目标形状。关键的是，我们在仿真与物理机器人上均证明，DeformerNet 能可靠地泛化到训练时未见的物体形状与材料刚度，并在通用形状控制及收缩这一手术任务上优于对比方法。
引用
@article{arxiv.2110.04685,
title = {Learning Visual Shape Control of Novel 3D Deformable Objects from Partial-View Point Clouds},
author = {Bao Thach and Brian Y. Cho and Alan Kuntz and Tucker Hermans},
journal= {arXiv preprint arXiv:2110.04685},
year = {2022}
}
备注
Published in the proceedings of the IEEE Conference on Robotics and Automation (ICRA) 2022. 8 pages, 10 figures