SE(3)-DiffusionFields: Learning smooth cost functions for joint grasp and motion optimization through diffusion

要約

多目的最適化問題は、ロボティクスではどこにでもあります。たとえば、ロボット操作タスクの最適化には、把握姿勢の構成、衝突、および関節制限を一緒に考慮する必要があります。
軌道の滑らかさなど、一部の要求は簡単に手動で設計できますが、いくつかのタスク固有の目的はデータから学習する必要があります。
この作業では、データ駆動型の SE(3) コスト関数を拡散モデルとして学習する方法を紹介します。
拡散モデルは、表現力豊かなマルチモーダル分布を表すことができ、スコア マッチング トレーニング目標により、空間全体で適切な勾配を示すことができます。
拡散モデルとしてコストを学習することで、他のコストとシームレスに統合して単一の微分可能な目的関数にすることができ、勾配に基づく関節運動の最適化が可能になります。
この作業では、6DoF 把持の SE(3) 拡散モデルの学習に焦点を当て、軌道生成から把持選択を分離する必要なく、共同把持とモーション最適化のための新しいフレームワークを生み出します。
SE(3) 拡散モデルの表現力を評価します。
古典的な生成モデル、および代表的なベースラインに対する一連のシミュレートされた実世界のロボット操作タスクで、提案された最適化フレームワークの優れたパフォーマンスを紹介します。

要約(オリジナル)

Multi-objective optimization problems are ubiquitous in robotics, e.g., the optimization of a robot manipulation task requires a joint consideration of grasp pose configurations, collisions and joint limits. While some demands can be easily hand-designed, e.g., the smoothness of a trajectory, several task-specific objectives need to be learned from data. This work introduces a method for learning data-driven SE(3) cost functions as diffusion models. Diffusion models can represent highly-expressive multimodal distributions and exhibit proper gradients over the entire space due to their score-matching training objective. Learning costs as diffusion models allows their seamless integration with other costs into a single differentiable objective function, enabling joint gradient-based motion optimization. In this work, we focus on learning SE(3) diffusion models for 6DoF grasping, giving rise to a novel framework for joint grasp and motion optimization without needing to decouple grasp selection from trajectory generation. We evaluate the representation power of our SE(3) diffusion models w.r.t. classical generative models, and we showcase the superior performance of our proposed optimization framework in a series of simulated and real-world robotic manipulation tasks against representative baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google