UniFolding: Towards Sample-efficient, Scalable, and Generalizable Robotic Garment Folding

要約

この論文では、さまざまな衣類を広げたり折りたたんだりするためのサンプル効率が高く、拡張性があり、汎用性のあるロボット システムである UniFolding の開発について検討します。
UniFolding は、提案された UFONet ニューラル ネットワークを採用して、展開と折り畳みの決定を、さまざまな衣類の種類や状態に適応できる単一のポリシー モデルに統合します。
UniFolding のデザインは衣服の部分的な点群に基づいており、一般化を支援し、質感や形状の変化に対する感度を軽減します。
トレーニング パイプラインは、低コストでサンプル効率の高いデータ収集を優先します。
トレーニング データは、オフラインとオンラインの段階を含む人間中心のプロセスを通じて収集されます。
オフライン ステージでは、仮想現実を介して人間が展開したり折りたたんだりするアクションが含まれますが、オンライン ステージでは人間参加型学習を利用して、現実世界の設定でモデルを微調整します。
このシステムは、長袖シャツと半袖シャツの 2 種類の衣服でテストされています。
パフォーマンスは、質感、形状、素材が大きく異なる 20 枚のシャツで評価されます。
その他の実験やビデオは、補足資料と Web サイト (https://unifolding.robotflow.ai) でご覧いただけます。

要約(オリジナル)

This paper explores the development of UniFolding, a sample-efficient, scalable, and generalizable robotic system for unfolding and folding various garments. UniFolding employs the proposed UFONet neural network to integrate unfolding and folding decisions into a single policy model that is adaptable to different garment types and states. The design of UniFolding is based on a garment’s partial point cloud, which aids in generalization and reduces sensitivity to variations in texture and shape. The training pipeline prioritizes low-cost, sample-efficient data collection. Training data is collected via a human-centric process with offline and online stages. The offline stage involves human unfolding and folding actions via Virtual Reality, while the online stage utilizes human-in-the-loop learning to fine-tune the model in a real-world setting. The system is tested on two garment types: long-sleeve and short-sleeve shirts. Performance is evaluated on 20 shirts with significant variations in textures, shapes, and materials. More experiments and videos can be found in the supplementary materials and on the website: https://unifolding.robotflow.ai

arxiv情報

提供元, 利用サービス

arxiv.jp, Google