論文の概要: A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation

• arxiv url: http://arxiv.org/abs/2112.05068v1
• Date: Thu, 9 Dec 2021 17:50:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 15:47:08.867535
• Title: A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation
• Title（参考訳）: 変形性物体マニピュレーションのための実次元ベイズ処理
• Authors: Rika Antonova, Jingyun Yang, Priya Sundaresan, Dieter Fox, Fabio Ramos, Jeannette Bohg
• Abstract要約: 本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
• 参考スコア（独自算出の注目度）: 59.29922697476789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable object manipulation remains a challenging task in robotics research. Conventional techniques for parameter inference and state estimation typically rely on a precise definition of the state space and its dynamics. While this is appropriate for rigid objects and robot states, it is challenging to define the state space of a deformable object and how it evolves in time. In this work, we pose the problem of inferring physical parameters of deformable objects as a probabilistic inference task defined with a simulator. We propose a novel methodology for extracting state information from image sequences via a technique to represent the state of a deformable object as a distribution embedding. This allows to incorporate noisy state observations directly into modern Bayesian simulation-based inference tools in a principled manner. Our experiments confirm that we can estimate posterior distributions of physical properties, such as elasticity, friction and scale of highly deformable objects, such as cloth and ropes. Overall, our method addresses the real-to-sim problem probabilistically and helps to better represent the evolution of the state of deformable objects.
• Abstract（参考訳）: 変形可能なオブジェクト操作は、ロボティクス研究において依然として難しい課題である。 パラメータ推定と状態推定の従来の手法は、一般に状態空間とその力学の正確な定義に依存している。 これは固い物体やロボットの状態に適しているが、変形可能な物体の状態空間とそれがどのように進化するかを定義するのは難しい。 本研究では,変形可能な物体の物理パラメータをシミュレータで定義した確率的推論タスクとして推定する問題を提起する。 本稿では,変形可能な物体の状態を分布埋め込みとして表現するために,画像列から状態情報を抽出する手法を提案する。 これにより、現代のベイズシミュレーションに基づく推論ツールに直接ノイズの多い状態観測を原則的に組み込むことができる。 実験により, 布やロープなどの高変形性物体の弾性, 摩擦, スケールなどの物理特性の後方分布を推定できることが確認された。 全体として、本手法は実際のsim問題に確率的に対処し、変形可能なオブジェクトの状態の進化をより良く表現するのに役立つ。

関連論文リスト

• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• GenDOM: Generalizable One-shot Deformable Object Manipulation with Parameter-Aware Policy [23.72998685542652]
  我々は,1つの実世界の実演だけで異なる変形可能なオブジェクトを操作できるフレームワークであるGenDOMを紹介した。 新しいオブジェクトが推測されると、GenDOMは1つの実世界のデモだけで変形可能なオブジェクトパラメータを推定できる。 シミュレーションおよび実世界のオブジェクト操作設定の実証検証により,本手法が一つの実演で異なるオブジェクトを操作できることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-16T17:18:23Z)
• ShapeShift: Superquadric-based Object Pose Estimation for Robotic Grasping [85.38689479346276]
  現在の技術は参照3Dオブジェクトに大きく依存しており、その一般化性を制限し、新しいオブジェクトカテゴリに拡張するのにコストがかかる。 本稿では,オブジェクトに適合するプリミティブな形状に対してオブジェクトのポーズを予測する,オブジェクトのポーズ推定のためのスーパークワッドリックベースのフレームワークであるShapeShiftを提案する。
  論文  参考訳（メタデータ） (2023-04-10T20:55:41Z)
• Predicting Physical Object Properties from Video [28.19031441659854]
  本稿では,映像から物体の物理的特性を推定する手法を提案する。 提案手法は物理エンジンと補正推定器から構成される。 いくつかのシミュレーション2次元シナリオにおいて,学習した手法のより高速でより堅牢な収束を実証する。
  論文  参考訳（メタデータ） (2022-06-02T08:46:22Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Sequential Topological Representations for Predictive Models of Deformable Objects [18.190326379178995]
  我々は、高度に変形可能なオブジェクトの状態を取得するために、コンパクトな位相表現を構築する。 我々は、時間を通してこのトポロジカルな状態の進化を追跡するアプローチを開発する。 シミュレーションにおける高変形性物体を用いた実験により,提案した多段階予測モデルにより,計算トポロジーライブラリから得られたものよりも精度の高い結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-11-23T19:45:15Z)
• Identifying Mechanical Models through Differentiable Simulations [16.86640234046472]
  本稿では,未知の物体を非包括的動作によって操作する新しい手法を提案する。 提案手法は、微分可能な物理モデルの最近の進歩を利用して、操作対象の未知の力学的性質を同定する。
  論文  参考訳（メタデータ） (2020-05-11T20:19:20Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)
• Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
  インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。 我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。 我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
  論文  参考訳（メタデータ） (2020-01-16T06:27:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。