多物体图功能网络：通过学习的复合物体功能进行目标导向规划

学习物体功能(affordance)是机器人学习领域的有效工具。虽然数据驱动模型研究了单个或成对物体的功能，但在由任意数量物体组成的复合物体的功能探索方面仍存在空白。我们提出了多物体图功能网络(Multi-Object Graph Affordance Network)，该网络通过学习促进物体与复合物之间交互的机器人动作结果来建模复杂的复合物体功能。给定物体的深度图像，通过卷积操作提取物体特征并编码在图神经网络的节点中。图卷积操作用于编码复合物状态，并作为解码器的输入以预测物体-复合物交互的结果。在学习复合物体功能后，针对不同任务，学习到的结果预测器被用于规划堆叠动作序列，包括将物体相互堆叠、将较小物体插入较大容器以及使环状物体穿过杆。我们展示了我们的系统在模拟和真实环境中成功建模了包含凹形和凸形物体的复合物体功能。我们将我们的系统与基线模型进行基准比较以凸显其优势。