通过操作图构建的关系导向可供性学习
机器人学
2021-11-02 v2
摘要
在本文中，我们提出操作关系图（MRG），一种新颖的可供性表示，用于捕捉任意场景下的潜在操作关系。为了从原始视觉观测中构建这样的图，我们引入了名为 AR-Net 的深度神经网络。它由属性模块和上下文模块组成，分别在物体和子图层级引导关系学习。我们在一个名为 SMRD 的新颖操作关系数据集上定量验证了我们的方法。为了评估所提模型与表示方法的性能，我们进行了视觉感知与物理操作实验。总体而言，AR-Net 结合 MRG 优于所有基线方法，在任务关系识别（TRR）上达到 88.89% 的成功率，在任务完成（TC）上达到 73.33% 的成功率。
引用
@article{arxiv.2110.14137,
title = {Relationship Oriented Affordance Learning through Manipulation Graph Construction},
author = {Chao Tang and Jingwen Yu and Weinan Chen and Hong Zhang},
journal= {arXiv preprint arXiv:2110.14137},
year = {2021}
}