Learning a General Model: Folding Clothing with Topological Dynamics

要約

高度の自由度と衣服の複雑な構造は、衣服の操作に大きな課題をもたらします。
この論文では、複雑な衣服を折り畳むための一般的なトポロジカルダイナミクスモデルを提案します。
目に見える折り畳み構造をトポロジースケルトンとして利用することにより、衣類状態を表すために新しいトポロジグラフを設計します。
このトポロジグラフは低次元であり、さまざまな折りたたみ状態の複雑な衣服に適用されます。
それは衣服の制約を示し、衣服の動きに関する予測を可能にします。
自己閉鎖からグラフを抽出するために、セマンティックセグメンテーションを適用して、閉塞関係を分析し、衣服構造を分解します。
次に、分解された構造をキーポイント検出と組み合わせて、トポロジーグラフを生成します。
トポロジグラフの動作を分析するために、改善されたグラフニューラルネットワーク（GNN）を使用して、一般的なダイナミクスを学習します。
GNNモデルは、衣服の変形を予測でき、コントロールのための変形Jacobi Matrixを計算するために使用されます。
ジャケットを使用した実験は、アルゴリズムの有効性を検証し、複雑な衣服を自己閉鎖で認識して折ります。

要約(オリジナル)

The high degrees of freedom and complex structure of garments present significant challenges for clothing manipulation. In this paper, we propose a general topological dynamics model to fold complex clothing. By utilizing the visible folding structure as the topological skeleton, we design a novel topological graph to represent the clothing state. This topological graph is low-dimensional and applied for complex clothing in various folding states. It indicates the constraints of clothing and enables predictions regarding clothing movement. To extract graphs from self-occlusion, we apply semantic segmentation to analyze the occlusion relationships and decompose the clothing structure. The decomposed structure is then combined with keypoint detection to generate the topological graph. To analyze the behavior of the topological graph, we employ an improved Graph Neural Network (GNN) to learn the general dynamics. The GNN model can predict the deformation of clothing and is employed to calculate the deformation Jacobi matrix for control. Experiments using jackets validate the algorithm’s effectiveness to recognize and fold complex clothing with self-occlusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google