[ad_1]
Demonstrasi tugas adalah cara intuitif untuk mengomunikasikan tugas-tugas kompleks ke robot. Sebuah studi baru-baru ini di arXiv.org mencoba membangun sistem robot yang dapat mempelajari tugas mengambil dan meletakkan objek yang tidak terlihat dengan cara yang efisien data.
Gripper robot. Kredit gambar: Ars Electronica melalui Flickr, CC BY-NC-ND 2.0
Para peneliti mengusulkan metode baru, yang disebut Neural Descriptor Fields, untuk mengkodekan korespondensi padat di seluruh instance objek. Bingkai koordinat diasosiasikan dengan struktur geometris lokal menggunakan sekumpulan titik kueri yang direpresentasikan sebagai pose SE(3). Deskriptor padat yang digeneralisasikan di seluruh instance dan konfigurasi SE (3) dikembangkan. Itu memungkinkan penerapan pendekatan ke objek baru dalam rotasi dan terjemahan baru, di mana deskriptor padat 2D tidak mencukupi.
Neural Descriptor Fields memungkinkan pengambilan dan penempatan instans objek tak terlihat dalam konfigurasi di luar distribusi dengan tingkat keberhasilan di atas 85% saat hanya menggunakan sepuluh demonstrasi ahli.
Kami menyajikan Neural Descriptor Fields (NDFs), representasi objek yang mengkodekan titik dan pose relatif antara objek dan target (seperti robot gripper atau rak yang digunakan untuk menggantung) melalui deskriptor tingkat kategori. Kami menggunakan representasi ini untuk manipulasi objek, di mana diberikan demonstrasi tugas, kami ingin mengulangi tugas yang sama pada contoh objek baru dari kategori yang sama. Kami mengusulkan untuk mencapai tujuan ini dengan mencari (melalui optimasi) untuk pose yang deskriptornya cocok dengan yang diamati dalam demonstrasi. NDF mudah dilatih dengan cara yang diawasi sendiri melalui tugas penyandian otomatis 3D yang tidak bergantung pada keypoint berlabel pakar. Selanjutnya, NDF adalah SE(3)-ekuivarian, menjamin kinerja yang digeneralisasikan di semua kemungkinan terjemahan dan rotasi objek 3D. Kami mendemonstrasikan pembelajaran tugas manipulasi dari beberapa demonstrasi (5-10) baik dalam simulasi maupun pada robot nyata. Kinerja kami digeneralisasikan di kedua instance objek dan pose objek 6-DoF, dan secara signifikan mengungguli baseline baru-baru ini yang bergantung pada deskriptor 2D. Situs web proyek: ini https URL.
Makalah penelitian: Simeonov, A., “Bidang Deskriptor Saraf: SE (3) – Representasi Objek Ekuivarian untuk Manipulasi”, 2021. Tautan: https://arxiv.org/abs/2112.05124
[ad_2]
