Meta-Learning Regrasping Strategies for Physical-Agnostic Objects

要約

現実世界のアプリケーションで不均質な物体を把握することは、質量分布や摩擦係数などの未知の物理的特性のため、依然として困難な作業です。
この研究では、ConDex と呼ばれるメタ学習アルゴリズムを提案します。これは、DexNet-2.0 に条件付きニューラル プロセス (CNP) を組み込んで、深度画像を使用してオブジェクトの基礎となる物理的特性を自律的に識別します。
ConDex は、限られたトライアルから物理的エンベディングを効率的に取得し、正確な把握点の推定を可能にします。
さらに、ConDex は、オンライン形式で新しいトライアルから予測される把握品質を繰り返し更新できます。
私たちの知る限り、私たちは、質量分布と摩擦係数が異なる不均一な物理的特性に焦点を当てた 2 つのオブジェクト データセットを生成した最初の企業です。
シミュレーションでの広範な評価により、DexNet-2.0 や既存のメタ学習ベースの把握パイプラインよりも ConDex の優れたパフォーマンスが実証されました。
さらに、ConDex は、シミュレーションのみでトレーニングしたにもかかわらず、これまで見たことのない現実世界のオブジェクトに対する堅牢な一般化を示します。
合成データセットと現実世界のデータセットも公開される予定です。

要約(オリジナル)

Grasping inhomogeneous objects in real-world applications remains a challenging task due to the unknown physical properties such as mass distribution and coefficient of friction. In this study, we propose a meta-learning algorithm called ConDex, which incorporates Conditional Neural Processes (CNP) with DexNet-2.0 to autonomously discern the underlying physical properties of objects using depth images. ConDex efficiently acquires physical embeddings from limited trials, enabling precise grasping point estimation. Furthermore, ConDex is capable of updating the predicted grasping quality iteratively from new trials in an online fashion. To the best of our knowledge, we are the first who generate two object datasets focusing on inhomogeneous physical properties with varying mass distributions and friction coefficients. Extensive evaluations in simulation demonstrate ConDex’s superior performance over DexNet-2.0 and existing meta-learning-based grasping pipelines. Furthermore, ConDex shows robust generalization to previously unseen real-world objects despite training solely in the simulation. The synthetic and real-world datasets will be published as well.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google