GeoMatch++: Morphology Conditioned Geometry Matching for Multi-Embodiment Grasping

要約

複数の指を使った器用な把握に関する最近の進歩にもかかわらず、現在の方法は単一のグリッパーと目に見えない物体に焦点を当てており、さらには交差する実施形態を探求するものでさえ、目に見えないエンドエフェクターにうまく一般化できないことがよくあります。
この研究では、グリッパーの形態とオブジェクトの幾何学的形状の間の相関関係を学習する統一ポリシーを介して、目に見えないエンドエフェクターに対する器用な把握の一般化の問題に取り組んでいます。
ロボットの形態学には、ジョイントとリンクがどのように接続され、相互に移動するかを表す豊富な情報が含まれているため、注意を払ってそれを利用して、エンドエフェクターのジオメトリの特徴をより良く学習します。
私たちの実験では、以前の方法と比較して、ドメイン外の 3 つのエンドエフェクター全体で把握成功率が平均 9.64% 増加したことが示されています。

要約(オリジナル)

Despite recent progress on multi-finger dexterous grasping, current methods focus on single grippers and unseen objects, and even the ones that explore cross-embodiment, often fail to generalize well to unseen end-effectors. This work addresses the problem of dexterous grasping generalization to unseen end-effectors via a unified policy that learns correlation between gripper morphology and object geometry. Robot morphology contains rich information representing how joints and links connect and move with respect to each other and thus, we leverage it through attention to learn better end-effector geometry features. Our experiments show an average of 9.64% increase in grasp success rate across 3 out-of-domain end-effectors compared to previous methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google