Towards Feasible Dynamic Grasping: Leveraging Gaussian Process Distance Field, SE(3) Equivariance and Riemannian Mixture Models

要約

この論文では、ガウス過程距離場 (GPDF)、SE(3) 等変ネットワーク、およびリーマン混合モデルを統合することにより、動的環境におけるロボットによる把握を改善する新しいアプローチを紹介します。
目的は、ロボットが移動物体を効果的に把握できるようにすることです。
私たちのアプローチは、オブジェクト形状の再構築、把握サンプリング、および暗黙的な把握ポーズ選択という 3 つの主要なコンポーネントで構成されます。
GPDF はオブジェクトの形状を正確にモデル化します。これは、正確な把握計画に不可欠です。
SE(3) 等分散により、サンプリングされた把握姿勢がオブジェクトの姿勢変化に対して等変であることが保証され、動的シナリオにおけるロバスト性が強化されます。
リーマン ガウス混合モデルを使用して到達可能性を評価し、実現可能で適応可能な把握戦略を提供します。
実現可能な把握ポーズは、混合ガウス モデルとガウス プロセスを使用して定式化された新しいタスクまたは関節空間反応性コントローラーによってターゲットとされます。
この方法は、個別の把握ポーズ選択の課題を解決し、よりスムーズな把握の実行を可能にします。
実験による検証により、実行可能な把握ポーズを生成し、動的環境で成功した把握を達成する際のアプローチの有効性が確認されています。
これらの高度な技術を統合することで、現実世界のシナリオにおけるロボットの把握能力を強化するための有望なソリューションを提案します。

要約(オリジナル)

This paper introduces a novel approach to improve robotic grasping in dynamic environments by integrating Gaussian Process Distance Fields (GPDF), SE(3) equivariant networks, and Riemannian Mixture Models. The aim is to enable robots to grasp moving objects effectively. Our approach comprises three main components: object shape reconstruction, grasp sampling, and implicit grasp pose selection. GPDF accurately models the shape of objects, which is essential for precise grasp planning. SE(3) equivariance ensures that the sampled grasp poses are equivariant to the object’s pose changes, enhancing robustness in dynamic scenarios. Riemannian Gaussian Mixture Models are employed to assess reachability, providing a feasible and adaptable grasping strategies. Feasible grasp poses are targeted by novel task or joint space reactive controllers formulated using Gaussian Mixture Models and Gaussian Processes. This method resolves the challenge of discrete grasp pose selection, enabling smoother grasping execution. Experimental validation confirms the effectiveness of our approach in generating feasible grasp poses and achieving successful grasps in dynamic environments. By integrating these advanced techniques, we present a promising solution for enhancing robotic grasping capabilities in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google