Graph-Transporter: A Graph-based Learning Method for Goal-Conditioned Deformable Object Rearranging Task

要約

変形可能なオブジェクトの再配置は、高次元の構成空間と変形可能なオブジェクトの複雑なダイナミクスに対するロボット操作における長年の課題です。
目標条件付きの変形可能なオブジェクトの再配置タスクのための新しいフレームワーク、Graph-Transporter を提示します。
複雑な構成空間とダイナミクスの課題に取り組むために、変形可能なオブジェクトの構成空間をグラフ構造で表し、グラフ機能はグラフ畳み込みネットワークによってエンコードされます。
私たちのフレームワークは、Fully Convolutional Network (FCN) に基づくアーキテクチャを採用して、視覚的な入力のみからピクセル単位のピック アンド プレース アクションを出力します。
変形可能なオブジェクト構成のグラフ表現の有効性を検証するために、広範な実験が行われました。
実験結果は、目標条件付きの変形可能なオブジェクトの再配置タスクを処理する際に、フレームワークが効果的かつ一般的であることも示しています。

要約(オリジナル)

Rearranging deformable objects is a long-standing challenge in robotic manipulation for the high dimensionality of configuration space and the complex dynamics of deformable objects. We present a novel framework, Graph-Transporter, for goal-conditioned deformable object rearranging tasks. To tackle the challenge of complex configuration space and dynamics, we represent the configuration space of a deformable object with a graph structure and the graph features are encoded by a graph convolution network. Our framework adopts an architecture based on Fully Convolutional Network (FCN) to output pixel-wise pick-and-place actions from only visual input. Extensive experiments have been conducted to validate the effectiveness of the graph representation of deformable object configuration. The experimental results also demonstrate that our framework is effective and general in handling goal-conditioned deformable object rearranging tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google