Pseudo-rigid body networks: learning interpretable deformable object dynamics from partial observations

要約

変形可能線形オブジェクト (DLO) ダイナミクスを正確に予測することは、特に人間が解釈可能で計算効率の高いモデルを必要とするタスクの場合には困難です。
この研究では、擬似剛体法 (PRB) からインスピレーションを得て、内部状態がダイナミクス ネットワークによって時間の経過とともに展開される剛体の連続チェーンとして DLO をモデル化します。
このダイナミクス ネットワークは、観測された運動変数を DLO の隠れた状態にマッピングする物理情報に基づいたエンコーダーと共同でトレーニングされます。
状態が物理的に意味のある表現を取得することを促すために、PRB モデルの順運動学をデコーダーとして利用します。
ロボット実験では、提案された DLO ダイナミクス モデルが、予測精度に関してブラック ボックス モデルと同等でありながら、部分的な観測から物理的に解釈可能な予測を提供することを実証します。
プロジェクト コードは http://tinyurl.com/prb-networks で入手できます。

要約(オリジナル)

Accurately predicting deformable linear object (DLO) dynamics is challenging, especially when the task requires a model that is both human-interpretable and computationally efficient. In this work, we draw inspiration from the pseudo-rigid body method (PRB) and model a DLO as a serial chain of rigid bodies whose internal state is unrolled through time by a dynamics network. This dynamics network is trained jointly with a physics-informed encoder that maps observed motion variables to the DLO’s hidden state. To encourage the state to acquire a physically meaningful representation, we leverage the forward kinematics of the PRB model as a decoder. We demonstrate in robot experiments that the proposed DLO dynamics model provides physically interpretable predictions from partial observations while being on par with black-box models regarding prediction accuracy. The project code is available at: http://tinyurl.com/prb-networks

arxiv情報

提供元, 利用サービス

arxiv.jp, Google