Behavioral Manifolds: Representing the Landscape of Grasp Affordances in the Relative Pose Space

要約

把握アフォーダンスを調査するための機械学習の使用は、過去数十年にわたり広範囲の注目を集めてきました。
既存の文献は、構築するための堅牢な基盤を提供しますが、多くの点で改善される可能性があります。
結果は通常、把握の構成に関して機能し、到達可能性と軌道計画の観点から把握を (再) 再現する方法についてはほとんど考慮されていません。
さらに、既存の学習アプローチの大部分は、単一の実行可能な把握を生み出すことに焦点を当てており、結果にどのように到達したかについての透明性や、その堅牢性についての洞察をほとんど提供していません。
我々は、把握合成を明示的に説明する把握アフォーダンス学習について別の視点を提案します。
つまり、マニピュレータの運動学を使用して把握を具体化する方法です。
このアプローチにより、生成された把握タイプおよび関連する把握品質に関して把握ポリシー空間を明示的にマッピングできます。
数値シミュレーションの結果は、この方法のメリットを示し、この方法が他の方法では不透明な強化プロセスの説明可能性をさらに高める方法を強調しています。

要約(オリジナル)

The use of machine learning to investigate grasp affordances has received extensive attention over the past several decades. The existing literature provides a robust basis to build upon, though a number of aspects may be improved. Results commonly work in terms of grasp configuration, with little consideration for the manner in which the grasp may be (re-)produced from a reachability and trajectory planning perspective. In addition, the majority of existing learning approaches focus of producing a single viable grasp, offering little transparency on how the result was reached, or insights on its robustness. We propose a different perspective on grasp affordance learning, explicitly accounting for grasp synthesis; that is, the manner in which manipulator kinematics are used to allow materialization of grasps. The approach allows to explicitly map the grasp policy space in terms of generated grasp types and associated grasp quality. Results of numerical simulations illustrate merit of the method and highlight the manner in which it may promote a greater degree of explainability for otherwise intransparent reinforcement processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google