AdaptiGraph: Material-Adaptive Graph-Based Neural Dynamics for Robotic Manipulation

要約

予測モデルは、多くのロボット システムの重要なコンポーネントです。
しかし、さまざまな変形可能な物体、特に未知の物理的特性を持つ物体に対する正確な予測モデルを構築することは依然として大きな課題です。
この論文では、未知の物理的特性を持つさまざまな困難な変形可能材料をロボットが予測、適応、制御できるようにする学習ベースのダイナミクス モデリング アプローチである AdaptiGraph を紹介します。
AdaptiGraph は、マテリアル ビットを粒子として表現し、粒子の動きを予測するためにグラフ ニューラル ネットワーク (GNN) を採用する、柔軟性の高いグラフベース ニューラル ダイナミクス (GBND) フレームワークを活用します。
その主要な革新は、再トレーニングすることなく、物理的特性が異なるさまざまな材料の動きを予測できる、統合された物理的特性条件付き GBND モデルです。
オンライン展開中に新しいマテリアルに遭遇すると、AdaptiGraph は物理特性の最適化プロセスを利用してモデルを数ショット適応させ、観察された相互作用データへの適合性を高めます。
適応されたモデルは、剛性、粒径、圧力中心などのさまざまな物理的特性に適応しながら、ロープ、粒状媒体、硬い箱、布などのさまざまな変形可能な材料の動力学を正確にシミュレートし、動きを予測できます。
実世界の変形可能なオブジェクトの多様なセットを含む予測および操作タスクにおいて、私たちの方法は、非材料条件付けおよび非適応モデルよりも優れた予測精度とタスク熟練度を示します。
プロジェクト ページは https://robopil.github.io/adaptigraph/ から入手できます。

要約(オリジナル)

Predictive models are a crucial component of many robotic systems. Yet, constructing accurate predictive models for a variety of deformable objects, especially those with unknown physical properties, remains a significant challenge. This paper introduces AdaptiGraph, a learning-based dynamics modeling approach that enables robots to predict, adapt to, and control a wide array of challenging deformable materials with unknown physical properties. AdaptiGraph leverages the highly flexible graph-based neural dynamics (GBND) framework, which represents material bits as particles and employs a graph neural network (GNN) to predict particle motion. Its key innovation is a unified physical property-conditioned GBND model capable of predicting the motions of diverse materials with varying physical properties without retraining. Upon encountering new materials during online deployment, AdaptiGraph utilizes a physical property optimization process for a few-shot adaptation of the model, enhancing its fit to the observed interaction data. The adapted models can precisely simulate the dynamics and predict the motion of various deformable materials, such as ropes, granular media, rigid boxes, and cloth, while adapting to different physical properties, including stiffness, granular size, and center of pressure. On prediction and manipulation tasks involving a diverse set of real-world deformable objects, our method exhibits superior prediction accuracy and task proficiency over non-material-conditioned and non-adaptive models. The project page is available at https://robopil.github.io/adaptigraph/ .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google