Volumetric Reconstruction From Partial Views for Task-Oriented Grasping

要約

オブジェクトのアフォーダンスとボリューム情報は、タスク固有の制約の下で効果的な把握戦略を考案する上で不可欠です。
この論文では、オブジェクトの限られた部分的ビューから適切な把握戦略を推測するためのアプローチを提示します。
これを達成するために、さまざまな数の深度スキャンを処理するために、長期の短期メモリ（LSTM）ユニットを備えた再発発電機を組み込むことにより、再発性生成敵意ネットワーク（R-GAN）が提案されました。
オブジェクトのアフォーダンスを決定するために、Adversopes Knowledge Datasetは事前知識として利用されます。
アフォーダンス検索は、面取り距離とアクションの類似性を介して測定された体積類似性によって定義されます。
近位政策最適化（PPO）補強学習モデルがさらに実装され、タスク指向の把握のための検索された把握戦略を改良します。
検索された把握戦略は、4つのタスクで89％の全体的な把握精度で、デュアルアームモバイル操作ロボットで評価されました。

要約(オリジナル)

Object affordance and volumetric information are essential in devising effective grasping strategies under task-specific constraints. This paper presents an approach for inferring suitable grasping strategies from limited partial views of an object. To achieve this, a recurrent generative adversarial network (R-GAN) was proposed by incorporating a recurrent generator with long short-term memory (LSTM) units for it to process a variable number of depth scans. To determine object affordances, the AffordPose knowledge dataset is utilized as prior knowledge. Affordance retrieving is defined by the volume similarity measured via Chamfer Distance and action similarities. A Proximal Policy Optimization (PPO) reinforcement learning model is further implemented to refine the retrieved grasp strategies for task-oriented grasping. The retrieved grasp strategies were evaluated on a dual-arm mobile manipulation robot with an overall grasping accuracy of 89% for four tasks: lift, handle grasp, wrap grasp, and press.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google