Learning to Double Guess: An Active Perception Approach for Estimating the Center of Mass of Arbitrary Objects

要約

非構造化された環境で任意のオブジェクトを操作することは、主にオブジェクトの質量の決定が難しいため、ロボット工学において重要な課題です。
このペーパーでは、U-Graph：不確実性ガイド付きの回転能動知覚と、触覚を使用して質量推定の中心を強化する新しいフレームワークである、触覚との回転活性知覚を紹介します。
従来の方法は、多くの場合、単一の相互作用に依存しており、フォーストルク（F/T）センサーの固有の不正確さによって制限されています。
私たちのアプローチは、ベイジアンニューラルネットワーク（BNN）を統合して不確実性を定量化し、グリッド検索と各アクションをスコアリングするニューラルネットワークを介してロボットシステムを導くことにより、これらの制限を回避します。
限られたバリエーションを備えた小さなデータセットでのトレーニングを使用して、メソッドの顕著な一般化と転送可能性を示していますが、目に見えない複雑な実世界オブジェクトではうまく機能します。

要約(オリジナル)

Manipulating arbitrary objects in unstructured environments is a significant challenge in robotics, primarily due to difficulties in determining an object’s center of mass. This paper introduces U-GRAPH: Uncertainty-Guided Rotational Active Perception with Haptics, a novel framework to enhance the center of mass estimation using active perception. Traditional methods often rely on single interaction and are limited by the inherent inaccuracies of Force-Torque (F/T) sensors. Our approach circumvents these limitations by integrating a Bayesian Neural Network (BNN) to quantify uncertainty and guide the robotic system through multiple, information-rich interactions via grid search and a neural network that scores each action. We demonstrate the remarkable generalizability and transferability of our method with training on a small dataset with limited variation yet still perform well on unseen complex real-world objects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google