Geometrically-Aware One-Shot Skill Transfer of Category-Level Objects

要約

新しい環境でのなじみのないオブジェクトのロボット操作は困難であり、広範なトレーニングまたは面倒な事前プログラミングが必要です。
新しいスキル転送フレームワークを提案します。これにより、ロボットは複雑なオブジェクト操作スキルと単一の人間のデモから制約を転送できます。
私たちのアプローチは、オブジェクト中心の相互作用に焦点を当てたデモから幾何学的表現を導き出すことにより、スキルの獲得とタスクの実行の課題に対処します。
関数マップ（FM）フレームワークを活用することにより、オブジェクトとその環境間の相互作用関数を効率的にマッピングし、ロボットが類似のトポロジまたはカテゴリのオブジェクト全体でタスク操作を複製できるようにします。
さらに、この方法には、タスクスペース模倣アルゴリズム（TSIA）が組み込まれており、滑らかで幾何学的に認識されたロボットパスを生成して、転送されたスキルが実証されたタスクの制約に準拠していることを確認します。
広範な実験を通じてアプローチの有効性と適応性を検証し、追加のトレーニングを必要とせずに、多様な現実世界環境でのスキル移転とタスクの実行が成功したことを示しています。

要約(オリジナル)

Robotic manipulation of unfamiliar objects in new environments is challenging and requires extensive training or laborious pre-programming. We propose a new skill transfer framework, which enables a robot to transfer complex object manipulation skills and constraints from a single human demonstration. Our approach addresses the challenge of skill acquisition and task execution by deriving geometric representations from demonstrations focusing on object-centric interactions. By leveraging the Functional Maps (FM) framework, we efficiently map interaction functions between objects and their environments, allowing the robot to replicate task operations across objects of similar topologies or categories, even when they have significantly different shapes. Additionally, our method incorporates a Task-Space Imitation Algorithm (TSIA) which generates smooth, geometrically-aware robot paths to ensure the transferred skills adhere to the demonstrated task constraints. We validate the effectiveness and adaptability of our approach through extensive experiments, demonstrating successful skill transfer and task execution in diverse real-world environments without requiring additional training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google