Learning Quasi-Static 3D Models of Markerless Deformable Linear Objects for Bimanual Robotic Manipulation

要約

変形可能線形オブジェクト (DLO) のロボットによる操作は、多くの実際のアプリケーションで重要となる、極めて重要かつ困難なタスクです。
この問題に対する従来のモデルベースのアプローチでは、ロボットの動作が DLO の変形にどのような影響を与えるかを捕捉するための正確なモデルが必要です。
現在、データ駆動型モデルは、品質と計算時間の間で最適なトレードオフを提供します。
この論文では、DLO のいくつかの学習ベースの 3D モデルを分析し、提案されたスケーリング方法のおかげで、異なる長さの DLO であっても優れた精度を達成する Transformer アーキテクチャに基づく新しいモデルを提案します。
さらに、考慮されているほぼすべての DLO データ駆動型モデルの予測パフォーマンスを向上させるデータ拡張手法を導入します。
この手法のおかげで、単純な多層パーセプトロン (MLP) であっても、評価が大幅に高速化されながら、最先端に近いパフォーマンスを達成できます。
実験では、いくつかの困難なデータセットに対する DLO の学習ベースの 3D モデルのパフォーマンスを定量的に比較し、DLO を形成するタスクにおけるそれらの適用可能性を実証します。

要約(オリジナル)

The robotic manipulation of Deformable Linear Objects (DLOs) is a vital and challenging task that is important in many practical applications. Classical model-based approaches to this problem require an accurate model to capture how robot motions affect the deformation of the DLO. Nowadays, data-driven models offer the best tradeoff between quality and computation time. This paper analyzes several learning-based 3D models of the DLO and proposes a new one based on the Transformer architecture that achieves superior accuracy, even on the DLOs of different lengths, thanks to the proposed scaling method. Moreover, we introduce a data augmentation technique, which improves the prediction performance of almost all considered DLO data-driven models. Thanks to this technique, even a simple Multilayer Perceptron (MLP) achieves close to state-of-the-art performance while being significantly faster to evaluate. In the experiments, we compare the performance of the learning-based 3D models of the DLO on several challenging datasets quantitatively and demonstrate their applicability in the task of shaping a DLO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google