用于物体属性推断的预测性视觉-触觉交互感知框架
机器人学
2024-11-15 v1
摘要
在非结构化环境中持续运行的自主机器人系统，通过交互式探索未知物体物理属性（如刚度、质量、质心、摩擦系数和形状）至关重要。精确识别这些属性对于以稳定受控的方式操纵物体必不可少，也是预测（抓取或非抓取）操纵动作（如推、拉、提举等）结果所必需的。我们的研究专注于利用配备视觉和触觉传感器的机器人系统，自主推断各种均质、非均质和关节物体的物理属性。我们提出了一个新颖的预测感知框架，通过利用多功能探索动作（非抓取推和抓取拉）来识别多样物体的属性。作为框架的一部分，我们提出了一种新颖的主动形状感知以无缝启动探索。我们创新的基于图神经网络的双可微分滤波学习物体-机器人交互，并对间接可观测的时不变物体属性进行一致推断。此外，我们构建了一个步信息增益方法，以主动选择最高效学习和推断的最具信息量的动作。大量真实机器人平面物体实验表明，我们的预测感知框架比最先进的基线性能更好，并在三个主要应用中展示了我们的框架：i) 物体跟踪，ii) 目标驱动任务，iii) 环境变化检测。
引用
@article{arxiv.2411.09020,
title = {Predictive Visuo-Tactile Interactive Perception Framework for Object Properties Inference},
author = {Anirvan Dutta and Etienne Burdet and Mohsen Kaboli},
journal= {arXiv preprint arXiv:2411.09020},
year = {2024}
}