PlaNet-ClothPick: Effective Fabric Flattening Based on Latent Dynamic Planning

要約

PlaNet などのリカレント状態空間モデルがクロス操作タスクで失敗するのはなぜですか?
最近の研究では、これは観測の不鮮明な予測が原因であると考えられており、潜在空間で直接計画を立てることが困難になっています。
このペーパーでは、ピック アンド プレイス ファブリック フラット化ドメインに PlaNet を適用することで、この背後にある理由を探ります。
布地の輪郭上の遷移関数が急激に不連続であるため、正確な潜在動的モデルを学習することが困難になり、MPC プランナーが物品のわずかに外側でピック アクションを生成することがわかりました。
布マスク上のピッキングスペースを制限し、特別に設計された軌道でトレーニングすることにより、当社のメッシュフリーのPlaNet-ClothPickは、シミュレーションにおける主要なメトリクスに関するビジュアルプランニングおよびポリシー学習手法を上回り、最先端のメッシュベースのプランニングと同様のパフォーマンスを達成します。
近づいてきます。
特に、私たちのモデルは、この分野の最先端のロボット システムよりも高速なアクション推論を示し、必要な移行モデル パラメーターが少なくなります。
その他の補足資料は、https://sites.google.com/view/planet-clothpick から入手できます。

要約(オリジナル)

Why do Recurrent State Space Models such as PlaNet fail at cloth manipulation tasks? Recent work has attributed this to the blurry prediction of the observation, which makes it difficult to plan directly in the latent space. This paper explores the reasons behind this by applying PlaNet in the pick-and-place fabric-flattening domain. We find that the sharp discontinuity of the transition function on the contour of the fabric makes it difficult to learn an accurate latent dynamic model, causing the MPC planner to produce pick actions slightly outside of the article. By limiting picking space on the cloth mask and training on specially engineered trajectories, our mesh-free PlaNet-ClothPick surpasses visual planning and policy learning methods on principal metrics in simulation, achieving similar performance as state-of-the-art mesh-based planning approaches. Notably, our model exhibits a faster action inference and requires fewer transitional model parameters than the state-of-the-art robotic systems in this domain. Other supplementary materials are available at: https://sites.google.com/view/planet-clothpick.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google