DeepCollide: Scalable Data-Driven High DoF Configuration Space Modeling using Implicit Neural Representations

要約

衝突検出は、事実上すべてのロボット アプリケーションにとって不可欠です。
ただし、従来の幾何学的衝突検出方法では通常、既存のワークスペース ジオメトリ表現が必要です。
したがって、幾何学的情報が利用できない場合、サンプリングされたデータから衝突検出機能を推測することはできません。
学習ベースのアプローチは、この制限を克服できます。
この一連の研究に従って、サンプリングされた衝突データから衝突検出関数を近似するための暗黙的ニューラル表現手法である DeepCollide を紹介します。
私たちの理論分析と経験的証拠が示すように、DeepCollide は、トレーニング データと DoF に関する時間コストのスケーラビリティと、複雑なワークスペース ジオメトリを正確に表現する機能に関連するため、最先端技術に比べて明らかな利点を示しています。
。
コードを公開します。

要約(オリジナル)

Collision detection is essential to virtually all robotics applications. However, traditional geometric collision detection methods generally require pre-existing workspace geometry representations; thus, they are unable to infer the collision detection function from sampled data when geometric information is unavailable. Learning-based approaches can overcome this limitation. Following this line of research, we present DeepCollide, an implicit neural representation method for approximating the collision detection function from sampled collision data. As shown by our theoretical analysis and empirical evidence, DeepCollide presents clear benefits over the state-of-the-art, as it relates to time cost scalability with respect to training data and DoF, as well as the ability to accurately express complex workspace geometries. We publicly release our code.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google