Multi-Object Graph Affordance Network: Enabling Goal-Oriented Planning through Compound Object Affordances

要約

学習オブジェクト アフォーダンスは、ロボット学習の分野で効果的なツールです。
データ駆動型モデルは、単一またはペアのオブジェクトのアフォーダンスの調査を詳しく調査しますが、複雑な形状を持つ任意の数のオブジェクトで構成される複合オブジェクトのアフォーダンスの調査には、顕著なギャップがあります。
この研究では、複合オブジェクトのアフォーダンスをモデル化し、既存の複合物の上に新しいオブジェクトを配置した場合の効果を予測するマルチオブジェクト グラフ アフォーダンス ネットワーク (MOGAN) を提案します。
特定の高さのタワーやプロパティを構築するなど、さまざまなタスクが与えられた場合、私たちは検索ベースの計画を使用して、適切なアフォーダンスのオブジェクトを使用したスタック アクションのシーケンスを見つけました。
私たちのシステムが、積み重ねられた球とカップ、極、および極を囲むリングを含む非常に複雑な複合オブジェクトのアフォーダンスを正しくモデル化できることを示しました。
私たちは、システムの利点を強調するためにシステムをベースライン モデルと比較し、シミュレーション環境と現実環境の両方でシステムの適用性を実証しました。

要約(オリジナル)

Learning object affordances is an effective tool in the field of robot learning. While the data-driven models delve into the exploration of affordances of single or paired objects, there is a notable gap in the investigation of affordances of compound objects that are composed of an arbitrary number of objects with complex shapes. In this study, we propose Multi-Object Graph Affordance Network (MOGAN) that models compound object affordances and predicts the effect of placing new objects on top of the existing compound. Given different tasks, such as building towers of specific heights or properties, we used a search based planning to find the sequence of stack actions with the objects of suitable affordances. We showed that our system was able to correctly model the affordances of very complex compound objects that include stacked spheres and cups, poles, and rings that enclose the poles. We demonstrated the applicability of our system in both simulated and real-world environments, comparing our systems with a baseline model to highlight its advantages.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google