Learning Robot Geometry as Distance Fields: Applications to Whole-body Manipulation

要約

この研究では、関節構成を備えたロボットの符号付き距離フィールド (SDF) を拡張する距離フィールド (RDF) としてロボットのジオメトリを学習することを提案します。
関節空間とユークリッド空間を一緒にエンコードする暗黙的表現を学習する既存の方法とは異なり、提案された RDF アプローチはロボットの運動連鎖を利用するため、問題の次元と複雑さが軽減され、より正確で信頼性の高い SDF が得られます。
基底関数を利用して個々のロボット リンクの SDF を表現するシンプルで柔軟なアプローチが提示され、ニューラル ネットワークと比較してよりスムーズな表現と効率の向上が実現します。
RDF は本来連続的で微分可能であるため、ロボット タスクのコスト関数として直接統合できます。
また、全身操作の機能を備えた、任意の空間分解能で高精度のロボット表面点を取得することもできます。
シミュレーションと 7 軸 Franka Emika ロボットの両方でさまざまな実験を行うことで、RDF 表現の有効性を検証します。
私たちのアプローチをベースライン手法と比較し、衝突回避や全身操作を伴うタスクの双腕設定でのその効率性を実証します。
プロジェクト ページ: https://sites.google.com/view/lrdf/home}{https://sites.google.com/view/lrdf/home

要約(オリジナル)

In this work, we propose to learn robot geometry as distance fields (RDF), which extend the signed distance field (SDF) of the robot with joint configurations. Unlike existing methods that learn an implicit representation encoding joint space and Euclidean space together, the proposed RDF approach leverages the kinematic chain of the robot, which reduces the dimensionality and complexity of the problem, resulting in more accurate and reliable SDFs. A simple and flexible approach that exploits basis functions to represent SDFs for individual robot links is presented, providing a smoother representation and improved efficiency compared to neural networks. RDF is naturally continuous and differentiable, enabling its direct integration as cost functions in robot tasks. It also allows us to obtain high-precision robot surface points with any desired spatial resolution, with the capability of whole-body manipulation. We verify the effectiveness of our RDF representation by conducting various experiments in both simulations and with the 7-axis Franka Emika robot. We compare our approach against baseline methods and demonstrate its efficiency in dual-arm settings for tasks involving collision avoidance and whole-body manipulation. Project page: https://sites.google.com/view/lrdf/home}{https://sites.google.com/view/lrdf/home

arxiv情報

提供元, 利用サービス

arxiv.jp, Google