Learning to Simulate Tree-Branch Dynamics for Manipulation

要約

我々は、シミュレーション駆動の逆推論アプローチを使用して、操作中の木の枝の結合力学をモデル化することを提案します。
枝のダイナミクスを学び、変形可能な植生を操作する能力を獲得すると、密集した葉の中で果物を摘むことや、密集した植生内を移動するために張り出した蔓や枝を移動するなど、閉塞が起こりやすい作業に役立ちます。
基礎となる変形可能なツリー ジオメトリは、並列の微分不可能なシミュレーターで実行される粗いスプリング抽象化としてカプセル化されます。
シミュレーターによって定義された暗黙的な統計モデル、グラウンド トゥルースを積極的に調査することによって取得された参照軌道、およびベイズ形式主義が連携して、バネ パラメーターの事後密度推定を導きます。
スタイン変分勾配降下法に基づく当社のノンパラメトリック推論アルゴリズムは、生物学的に動機づけられた仮定を、ニューラル ネットワーク駆動の学習済み関節事前確率として推論プロセスに組み込んでいます。
さらに、勾配近似に有限差分スキームを利用します。
実際の実験とシミュレートされた実験により、モデルが変形軌跡を予測し、推定の不確実性を定量化でき、他の推論アルゴリズム、特にモンテカルロ系の推論アルゴリズムに対してベースライン化した場合にパフォーマンスが向上することが確認されました。
このモデルは、不均一分散センサー ノイズの存在下でも強力なロバスト性特性を示します。
さらに、目に見えない把握場所にも一般化できます。

要約(オリジナル)

We propose to use a simulation driven inverse inference approach to model the joint dynamics of tree branches under manipulation. Learning branch dynamics and gaining the ability to manipulate deformable vegetation can help with occlusion-prone tasks, such as fruit picking in dense foliage, as well as moving overhanging vines and branches for navigation in dense vegetation. The underlying deformable tree geometry is encapsulated as coarse spring abstractions executed on parallel, non-differentiable simulators. The implicit statistical model defined by the simulator, reference trajectories obtained by actively probing the ground truth, and the Bayesian formalism, together guide the spring parameter posterior density estimation. Our non-parametric inference algorithm, based on Stein Variational Gradient Descent, incorporates biologically motivated assumptions into the inference process as neural network driven learnt joint priors; moreover, it leverages the finite difference scheme for gradient approximations. Real and simulated experiments confirm that our model can predict deformation trajectories, quantify the estimation uncertainty, and it can perform better when base-lined against other inference algorithms, particularly from the Monte Carlo family. The model displays strong robustness properties in the presence of heteroscedastic sensor noise; furthermore, it can generalise to unseen grasp locations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google