Prof. Robot: Differentiable Robot Rendering Without Static and Self-Collisions

要約

微分可能なレンダリングは、ロボット工学の分野で大きな注目を集めており、微分可能なロボットレンダリングは、画像空間監督からロボットアクションを学習するための効果的なパラダイムとして浮上しています。
ただし、このアプローチにおける物理的な世界認識の欠如は、アクションの最適化中の潜在的な衝突につながる可能性があります。
この作業では、神経ロボット衝突分類器の学習を通じて衝突の物理的認識を組み込むことにより、以前の取り組みに関する新しい改善を紹介します。
これにより、ロボット自体だけでなく、静的で相互作用しない環境との衝突を回避するアクションの最適化が可能になります。
分類器による効果的な勾配の最適化を促進するために、根本的な問題を特定し、最適化のための一貫した勾配を確保するためにエイコナルの正則化を活用することを提案します。
当社のソリューションは、既存の微分可能なロボットレンダリングフレームワークにシームレスに統合でき、最適化のためにグラデーションを利用し、物理世界との相互作用の信頼性を向上させ、ロボット工学における微分可能なレンダリングの将来のアプリケーションの基盤を提供することができます。
定性的実験と定量的実験の両方が、以前のソリューションと比較して、私たちの方法の必要性と有効性を示しています。

要約(オリジナル)

Differentiable rendering has gained significant attention in the field of robotics, with differentiable robot rendering emerging as an effective paradigm for learning robotic actions from image-space supervision. However, the lack of physical world perception in this approach may lead to potential collisions during action optimization. In this work, we introduce a novel improvement on previous efforts by incorporating physical awareness of collisions through the learning of a neural robotic collision classifier. This enables the optimization of actions that avoid collisions with static, non-interactable environments as well as the robot itself. To facilitate effective gradient optimization with the classifier, we identify the underlying issue and propose leveraging Eikonal regularization to ensure consistent gradients for optimization. Our solution can be seamlessly integrated into existing differentiable robot rendering frameworks, utilizing gradients for optimization and providing a foundation for future applications of differentiable rendering in robotics with improved reliability of interactions with the physical world. Both qualitative and quantitative experiments demonstrate the necessity and effectiveness of our method compared to previous solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google