EDO-Net: Learning Elastic Properties of Deformable Objects from Graph Dynamics

要約

私たちは、未知の物理的特性に一般化する変形可能なオブジェクトのグラフ ダイナミクスを学習する問題を研究します。
私たちの重要な洞察は、たとえば引っ張る相互作用から抽出できる、布状の変形可能なオブジェクトの弾性物理的特性の潜在的な表現を活用することです。
この論文では、特性のグラウンドトゥルースラベルに依存しない、異なる弾性特性を持つ多種多様なサンプルでトレーニングされたグラフダイナミクスのモデルである EDO-Net (Elastic Deformable Object – Net) を提案します。
EDO-Net は、適応モジュールと順ダイナミクス モジュールを共同で学習します。
前者はオブジェクトの物理的特性の潜在表現を抽出する役割を果たし、後者はその潜在表現を利用して、グラフとして表現された布状オブジェクトの将来の状態を予測します。
私たちは EDO-Net をシミュレーションと現実世界の両方で評価し、1) 未知の物理特性への一般化、2) 学習した表現の新しい下流タスクへの転送の機能を評価します。

要約(オリジナル)

We study the problem of learning graph dynamics of deformable objects that generalizes to unknown physical properties. Our key insight is to leverage a latent representation of elastic physical properties of cloth-like deformable objects that can be extracted, for example, from a pulling interaction. In this paper we propose EDO-Net (Elastic Deformable Object – Net), a model of graph dynamics trained on a large variety of samples with different elastic properties that does not rely on ground-truth labels of the properties. EDO-Net jointly learns an adaptation module, and a forward-dynamics module. The former is responsible for extracting a latent representation of the physical properties of the object, while the latter leverages the latent representation to predict future states of cloth-like objects represented as graphs. We evaluate EDO-Net both in simulation and real world, assessing its capabilities of: 1) generalizing to unknown physical properties, 2) transferring the learned representation to new downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google