Neural Implicit Swept Volume Models for Fast Collision Detection

要約

衝突検出は、動作計画中に最も時間のかかる操作の 1 つです。
したがって、衝突検出とサンプリングベースの動作計画を高速化するための機械学習技術の探索に対する関心が高まっています。
最近の研究では、ロボットの形状またはロボット動作のスイープ ボリュームの神経符号付き距離関数の利用に焦点を当てています。
これに基づいて、開始および目標の構成によってパラメータ化された任意の動きを継続的に表現する新しいニューラル暗黙的スイープ ボリューム モデルを提示します。
これにより、タスク空間内の任意の点からロボットの動作までの符号付き距離を迅速に計算できます。
さらに、深層学習ベースの符号付き距離計算の速度と幾何学的衝突チェッカーの強力な精度保証を組み合わせたアルゴリズムを提案します。
私たちはシミュレーションと現実世界のロボット実験でアプローチを検証し、商業用の箱ピッキング アプリケーションを高速化できることを実証します。

要約(オリジナル)

Collision detection is one of the most time-consuming operations during motion planning. Thus, there is an increasing interest in exploring machine learning techniques to speed up collision detection and sampling-based motion planning. A recent line of research focuses on utilizing neural signed distance functions of either the robot geometry or the swept volume of the robot motion. Building on this, we present a novel neural implicit swept volume model to continuously represent arbitrary motions parameterized by their start and goal configurations. This allows to quickly compute signed distances for any point in the task space to the robot motion. Further, we present an algorithm combining the speed of the deep learning-based signed distance computations with the strong accuracy guarantees of geometric collision checkers. We validate our approach in simulated and real-world robotic experiments, and demonstrate that it is able to speed up a commercial bin picking application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google