Multi-level Reasoning for Robotic Assembly: From Sequence Inference to Contact Selection

要約

部品から物体の組み立てを自動化することは、製造、メンテナンス、リサイクルにおける無数のアプリケーションにとって複雑な問題です。
ターゲット セグメンテーション、ポーズ回帰、または固定ターゲット ブループリントの使用に限定されている既存の研究とは異なり、私たちの研究では、部品組立順序の推論、部品動作計画、ロボット接触の最適化から構成される部品組立計画のための総合的なマルチレベル フレームワークが提示されています。
ターゲットのブループリントからアセンブリ シーケンスを再帰的に推論するための、シーケンス間ニューラル ネットワークである Part Assembly Sequence Transformer (PAST) を紹介します。
次に、モーション プランナーと最適化を使用して、パーツの動きと接触を生成します。
PAST をトレーニングするために、D4PAS を導入します。D4PAS は、工業用オブジェクトの物理的に有効なシーケンスで構成される部品アセンブリ シーケンス用の大規模データセット (D4PAS) です。
実験結果は、私たちのアプローチが従来の方法よりも一般化が良好でありながら、推論に必要な計算時間を大幅に短縮できることを示しています。

要約(オリジナル)

Automating the assembly of objects from their parts is a complex problem with innumerable applications in manufacturing, maintenance, and recycling. Unlike existing research, which is limited to target segmentation, pose regression, or using fixed target blueprints, our work presents a holistic multi-level framework for part assembly planning consisting of part assembly sequence inference, part motion planning, and robot contact optimization. We present the Part Assembly Sequence Transformer (PAST) — a sequence-to-sequence neural network — to infer assembly sequences recursively from a target blueprint. We then use a motion planner and optimization to generate part movements and contacts. To train PAST, we introduce D4PAS: a large-scale Dataset for Part Assembly Sequences (D4PAS) consisting of physically valid sequences for industrial objects. Experimental results show that our approach generalizes better than prior methods while needing significantly less computational time for inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google