Isometric Motion Manifold Primitives

要約

モーション多様体プリミティブ (MMP) は、特定のタスクに対して、それぞれがタスクを正常に完了できる軌道の連続多様体を生成します。
これは、多様体と潜在座標空間の確率密度をパラメータ化するデコーダ関数で構成されます。
この論文では、まず、MMP のパフォーマンスが潜在空間の幾何学的歪みによって大幅に低下する可能性があることを示します。歪みとは、類似の動きが潜在空間の近くに存在しないことを意味します。
次に、潜在座標空間が多様体の形状を保持する {\it Isometric Motion Manifold Primitives (IMMP)} を提案します。
この目的のために、運動空間 (つまり、パラメトリック曲線空間) のリーマン計量を定式化して使用します。これを {\it CurveGeom リーマン計量} と呼びます。
平面障害物回避動作と押し操作タスクの実験では、IMMP が既存の MMP 手法よりも大幅に優れていることが示されています。
コードは https://github.com/Gabe-YHLee/IMMP-public で入手できます。

要約(オリジナル)

The Motion Manifold Primitive (MMP) produces, for a given task, a continuous manifold of trajectories each of which can successfully complete the task. It consists of the decoder function that parametrizes the manifold and the probability density in the latent coordinate space. In this paper, we first show that the MMP performance can significantly degrade due to the geometric distortion in the latent space — by distortion, we mean that similar motions are not located nearby in the latent space. We then propose {\it Isometric Motion Manifold Primitives (IMMP)} whose latent coordinate space preserves the geometry of the manifold. For this purpose, we formulate and use a Riemannian metric for the motion space (i.e., parametric curve space), which we call a {\it CurveGeom Riemannian metric}. Experiments with planar obstacle-avoiding motions and pushing manipulation tasks show that IMMP significantly outperforms existing MMP methods. Code is available at https://github.com/Gabe-YHLee/IMMP-public.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google