Implicit Neural-Representation Learning for Elastic Deformable-Object Manipulations

要約

現実世界のシナリオで、変形可能なオブジェクト、特に弾性バンドを操作する問題を解決することを目指しています。
ただし、変形可能なオブジェクト操作（DOM）には、変形可能なオブジェクトの無制限の自由度（DOF）のために、大きな状態空間で機能するポリシーが必要です。
さらに、それらの密なが部分的な観察（例：画像やポイント雲）は、政策学習のサンプリングの複雑さと不確実性を高める可能性があります。
それを把握するために、私たちは、inr-domと呼ばれる弾性Domsの新しい暗黙の神経表現（inr）学習を提案します。
私たちの方法は、署名された距離関数として表される完全で暗黙の表面を再構築する部分的に観察可能な弾性オブジェクトに関連する一貫した状態表現を学習します。
さらに、RLアルゴリズムがDOMポリシーを効率的に取得しながら、搾取可能な表現を効果的に学習できるようにする強化学習（RL）を通じて、探索的表現を微調整します。
フランカエミカパンダアームを使用した3つのシミュレートされた環境と実世界の操作研究を構築する定量的および定性的分析を実行します。
ビデオはhttp://inr-dom.github.ioで入手できます。

要約(オリジナル)

We aim to solve the problem of manipulating deformable objects, particularly elastic bands, in real-world scenarios. However, deformable object manipulation (DOM) requires a policy that works on a large state space due to the unlimited degree of freedom (DoF) of deformable objects. Further, their dense but partial observations (e.g., images or point clouds) may increase the sampling complexity and uncertainty in policy learning. To figure it out, we propose a novel implicit neural-representation (INR) learning for elastic DOMs, called INR-DOM. Our method learns consistent state representations associated with partially observable elastic objects reconstructing a complete and implicit surface represented as a signed distance function. Furthermore, we perform exploratory representation fine-tuning through reinforcement learning (RL) that enables RL algorithms to effectively learn exploitable representations while efficiently obtaining a DOM policy. We perform quantitative and qualitative analyses building three simulated environments and real-world manipulation studies with a Franka Emika Panda arm. Videos are available at http://inr-dom.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google