Learning to Place Unseen Objects Stably using a Large-scale Simulation

要約

物体の配置はロボットにとって基本的なタスクですが、部分的に観察される物体にとっては依然として困難です。
オブジェクトを配置するための既存の方法には、オブジェクトの完全な 3D モデルが必要であること、複雑な形状や斬新なオブジェクトを処理できないことなど、現実世界でのロボットの適用性を制限する制限があります。
ここでは、Unseen Object Placement (UOP}=) 問題の解決に焦点を当てます。
私たちは 2 つの方法を使用して UOP 問題に取り組みました。(1) UOP-Sim、さまざまな形状や新しいオブジェクトに対応する大規模なデータセット、(2) UOP-Net、最も安定したオブジェクトを直接検出する点群セグメンテーション ベースのアプローチ
部分点群からの平面。
当社の UOP アプローチにより、オブジェクトの形状や特性が完全にわかっていない場合でも、ロボットがオブジェクトを安定して配置できるため、さまざまな環境でオブジェクトを配置するための有望なソリューションが提供されます。
シミュレーションと現実世界のロボット実験を通じてアプローチを検証し、単一ビューおよび部分オブジェクトを配置するための最先端のパフォーマンスを実証します。
ロボットのデモ、コード、データセットは https://gistailab.github.io/uop/ で入手できます。

要約(オリジナル)

Object placement is a fundamental task for robots, yet it remains challenging for partially observed objects. Existing methods for object placement have limitations, such as the requirement for a complete 3D model of the object or the inability to handle complex shapes and novel objects that restrict the applicability of robots in the real world. Herein, we focus on addressing the Unseen Object Placement (UOP}=) problem. We tackled the UOP problem using two methods: (1) UOP-Sim, a large-scale dataset to accommodate various shapes and novel objects, and (2) UOP-Net, a point cloud segmentation-based approach that directly detects the most stable plane from partial point clouds. Our UOP approach enables robots to place objects stably, even when the object’s shape and properties are not fully known, thus providing a promising solution for object placement in various environments. We verify our approach through simulation and real-world robot experiments, demonstrating state-of-the-art performance for placing single-view and partial objects. Robot demos, codes, and dataset are available at https://gistailab.github.io/uop/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google