Online Learning of Continuous Signed Distance Fields Using Piecewise Polynomials

要約

距離に関する推論は、操作タスクで接触を確立または回避するために不可欠です。
この目的を達成するために、区分的多項式基底関数を使用して符号付き距離の暗黙的な表現を学習するためのオンライン アプローチを紹介します。
私たちの方法は、任意の事前形状から開始して、勾配情報への分析アクセスを使用して、入力表面点からの連続的で滑らかな距離表現を段階的に構築します。
基礎となるモデルは予測用のトレーニング データを保存せず、そのパフォーマンスは多項式の次数やセグメント数などの解釈可能なハイパーパラメーターによってバランスを取ることができます。
一連の家庭用品について段階的に学習されたモデルの精度を評価し、それをニューラル ネットワークおよびガウス プロセスの対応物と比較します。
中間結果と分析勾配の有用性は、物理実験でさらに実証されます。
コードとビデオについては、https://sites.google.com/view/pp-sdf/ を参照してください。

要約(オリジナル)

Reasoning about distance is indispensable for establishing or avoiding contact in manipulation tasks. To this end, we present an online approach for learning implicit representations of signed distance using piecewise polynomial basis functions. Starting from an arbitrary prior shape, our method incrementally constructs a continuous and smooth distance representation from incoming surface points, with analytical access to gradient information. The underlying model does not store training data for prediction, and its performance can be balanced through interpretable hyperparameters such as polynomial degree and number of segments. We assess the accuracy of the incrementally learned model on a set of household objects and compare it to neural network and Gaussian process counterparts. The utility of intermediate results and analytical gradients is further demonstrated in a physical experiment. For code and video, see https://sites.google.com/view/pp-sdf/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google