Graph-based 3D Collision-distance Estimation Network with Probabilistic Graph Rewiring

要約

私たちは、3 次元 (3D) 形状を考慮したデータ駆動型の衝突距離推定の問題を解決することを目指しています。
従来のアルゴリズムは、点群などの限られた表現に依存しているため、精度が低いという問題があります。
対照的に、以前のグラフベースのモデル GraphDistNet は、エッジ情報を使用して高精度を実現しますが、グラフ サイズの増大に伴ってメッセージ パッシング コストが増加するため、3D ジオメトリへの適用が制限されます。
これらの課題を克服するために、新しい 3D グラフベースの推定ネットワークである GDN-R を提案します。GDN-R は、微分可能なガンベルトップ K 緩和を活用した層ごとの確率的グラフ再配線アルゴリズムを採用しています。
私たちの方法は、グラフの再配線と関連する埋め込みの更新を繰り返すことにより、最小距離を正確に推測します。
確率的再配線により、予期しないカテゴリのジオメトリに対して高速かつ堅牢な埋め込みが可能になります。
150 ペアの 3D オブジェクトを使用した 41,412 のランダムなベンチマーク タスクを通じて、精度と汎用性の点で GDN-R が最先端のベースライン手法を上回るパフォーマンスを示しました。
また、提案された再配線により更新パフォーマンスが向上し、推定モデルのサイズが削減されることも示します。
最後に、シミュレーションと現実のシナリオの両方で軌道を最適化するためのバッチ予測と自動微分機能を示します。

要約(オリジナル)

We aim to solve the problem of data-driven collision-distance estimation given 3-dimensional (3D) geometries. Conventional algorithms suffer from low accuracy due to their reliance on limited representations, such as point clouds. In contrast, our previous graph-based model, GraphDistNet, achieves high accuracy using edge information but incurs higher message-passing costs with growing graph size, limiting its applicability to 3D geometries. To overcome these challenges, we propose GDN-R, a novel 3D graph-based estimation network.GDN-R employs a layer-wise probabilistic graph-rewiring algorithm leveraging the differentiable Gumbel-top-K relaxation. Our method accurately infers minimum distances through iterative graph rewiring and updating relevant embeddings. The probabilistic rewiring enables fast and robust embedding with respect to unforeseen categories of geometries. Through 41,412 random benchmark tasks with 150 pairs of 3D objects, we show GDN-R outperforms state-of-the-art baseline methods in terms of accuracy and generalizability. We also show that the proposed rewiring improves the update performance reducing the size of the estimation model. We finally show its batch prediction and auto-differentiation capabilities for trajectory optimization in both simulated and real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google