Towards Feasible Dynamic Grasping: Leveraging Gaussian Process Distance Field, SE(3) Equivariance and Riemannian Mixture Models

要約

この論文では、ガウス過程距離場 (GPDF)、SE(3) 等分散、およびリーマン混合モデルを活用することにより、実行可能な動的把握に向けた新しいアプローチを紹介します。
私たちは、物体が移動する可能性のある動的タスクにおけるロボットの把握能力の向上を目指しています。
提案手法は物体形状の再構築、把握サンプリング、把握ポーズ選択を組み合わせて、このようなシナリオにおいて効果的な把握を可能にします。
GPDF を利用することで、このアプローチは物体の形状と物理的特性を正確にモデル化し、正確な把握計画を可能にします。
SE(3) 等分散により、サンプリングされた把握姿勢がオブジェクトの姿勢と等変であることが保証されます。
さらに、リーマン ガウス混合モデルを使用して到達可能性をテストし、実現可能で適応可能な把握戦略を提供します。
サンプリングされた実現可能な把握ポーズは、それぞれ混合ガウス モデルとガウス プロセスによって定式化された新しいタスクまたは関節空間反応性コントローラーのターゲットとして使用されます。
実験結果は、動的環境において実行可能な把握ポーズを生成し、成功した把握において、提案されたアプローチの有効性を実証しています。
(ビデオ: https://www.youtube.com/watch?v=wjIVrwTzTOc&t=70s)

要約(オリジナル)

In this paper, we present a novel approach towards feasible dynamic grasping by leveraging Gaussian Process Distance Fields (GPDF), SE(3) equivariance, and Riemannian Mixture Models. We seek to improve the grasping capabilities of robots in dynamic tasks where objects may be moving. The proposed method combines object shape reconstruction, grasp sampling, and grasp pose selection to enable effective grasping in such scenarios. By utilizing GPDF, the approach accurately models the shape and physical properties of objects, allowing for precise grasp planning. SE(3) equivariance ensures that the sampled grasp poses are equivariant to the object’s pose. Additionally, Riemannian Gaussian Mixture Models are employed to test reachability, providing a feasible and adaptable grasping strategy. The sampled feasible grasp poses are used as targets for novel task or joint space reactive controllers formulated by Gaussian Mixture Models and Gaussian Processes, respectively. Experimental results demonstrate the effectiveness of the proposed approach in generating feasible grasp poses and successful grasping in dynamic environments. (Video: https://www.youtube.com/watch?v=wjIVrwTzTOc&t=70s)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google