vMF-Contact: Uncertainty-aware Evidential Learning for Probabilistic Contact-grasp in Noisy Clutter

要約

オクルージョン、センサーノイズ、分布外 (OOD) オブジェクトなどのノイズの多い環境での学習の把握には、大きな課題が生じます。
最近の学習ベースのアプローチは、主に固有のデータ ノイズから偶然の不確実性を捕捉することに焦点を当てています。
OOD 認識を表す認識論的不確実性は、複数の順方向パスを備えたアンサンブルによって対処されることが多く、リアルタイム アプリケーションが制限されます。
この論文では、実世界のロボットによる把持における両方の不確実性を包括的に捕捉するための証拠学習を使用した、6-DoF 把持検出のための不確実性を意識したアプローチを提案します。
主な貢献として、vMF-Contact を紹介します。これは、フォン ミゼス フィッシャー (vMF) 分布としての方向の不確実性の確率的モデリングを使用して、階層的な接触把握表現を学習するための新しいアーキテクチャです。
これを達成するために、事後パラメータ化に関する 2 次目的の理論的定式化を導き出して分析し、不確実性を定量化し、把握予測パフォーマンスを向上させるモデルの能力に正式な保証を提供します。
さらに、補助タスクとして部分点再構成を適用することで特徴の表現力を強化し、不確実性の定量化の理解を向上させ、目に見えないオブジェクトへの一般化も行います。
実際の実験では、私たちの方法は、ベースラインと比較して全体のクリアランス率が 39% という大幅な改善を示しました。
ビデオは https://www.youtube.com/watch?v=4aQsrDgdV8Y&t=12s にあります。

要約(オリジナル)

Grasp learning in noisy environments, such as occlusions, sensor noise, and out-of-distribution (OOD) objects, poses significant challenges. Recent learning-based approaches focus primarily on capturing aleatoric uncertainty from inherent data noise. The epistemic uncertainty, which represents the OOD recognition, is often addressed by ensembles with multiple forward paths, limiting real-time application. In this paper, we propose an uncertainty-aware approach for 6-DoF grasp detection using evidential learning to comprehensively capture both uncertainties in real-world robotic grasping. As a key contribution, we introduce vMF-Contact, a novel architecture for learning hierarchical contact grasp representations with probabilistic modeling of directional uncertainty as von Mises-Fisher (vMF) distribution. To achieve this, we derive and analyze the theoretical formulation of the second-order objective on the posterior parametrization, providing formal guarantees for the model’s ability to quantify uncertainty and improve grasp prediction performance. Moreover, we enhance feature expressiveness by applying partial point reconstructions as an auxiliary task, improving the comprehension of uncertainty quantification as well as the generalization to unseen objects. In the real-world experiments, our method demonstrates a significant improvement by 39% in the overall clearance rate compared to the baselines. Video is under https://www.youtube.com/watch?v=4aQsrDgdV8Y&t=12s

arxiv情報

提供元, 利用サービス

arxiv.jp, Google