Dynamics-Guided Diffusion Model for Robot Manipulator Design

要約

我々は、特定の操作タスク用のマニピュレータ ジオメトリ設計を生成するためのデータ駆動型フレームワークである、ダイナミクス誘導拡散モデルを紹介します。
タスクごとに異なる設計モデルをトレーニングする代わりに、私たちのアプローチではタスク間で共有される学習されたダイナミクス ネットワークを採用します。
新しい操作タスクの場合、まずターゲット インタラクション プロファイルと呼ばれる個々のモーション ターゲットのコレクションに分解します。ここで、個々のモーションは共有ダイナミクス ネットワークによってモデル化できます。
ターゲットと予測された相互作用プロファイルから構築された設計目標は、タスクのフィンガー ジオメトリの改良を導くための勾配を提供します。
この改良プロセスは、分類子ガイドによる拡散プロセスとして実行され、設計目標が分類子のガイダンスとして機能します。
開ループの平行顎運動のみを使用するセンサーレス設定の下で、さまざまな操作タスクに関するフレームワークを評価します。
私たちが生成した設計は、平均操作成功率で、最適化ベースおよびガイドなしの拡散ベースラインを相対的に 31.5% および 45.3% 上回っています。
0.8 秒以内に設計を生成できる当社のフレームワークは、迅速な設計の反復を促進し、ロボット機構設計におけるデータ駆動型アプローチの採用を強化します。

要約(オリジナル)

We present Dynamics-Guided Diffusion Model, a data-driven framework for generating manipulator geometry designs for a given manipulation task. Instead of training different design models for each task, our approach employs a learned dynamics network shared across tasks. For a new manipulation task, we first decompose it into a collection of individual motion targets which we call target interaction profile, where each individual motion can be modeled by the shared dynamics network. The design objective constructed from the target and predicted interaction profiles provides a gradient to guide the refinement of finger geometry for the task. This refinement process is executed as a classifier-guided diffusion process, where the design objective acts as the classifier guidance. We evaluate our framework on various manipulation tasks, under the sensor-less setting using only an open-loop parallel jaw motion. Our generated designs outperform optimization-based and unguided diffusion baselines relatively by 31.5% and 45.3% on average manipulation success rate. With the ability to generate a design within 0.8 seconds, our framework could facilitate rapid design iteration and enhance the adoption of data-driven approaches for robotic mechanism design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google