論文の概要: Learning Sequential Kinematic Models from Demonstrations for Multi-Jointed Articulated Objects

• arxiv url: http://arxiv.org/abs/2505.06363v1
• Date: Fri, 09 May 2025 18:09:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.803738
• Title: Learning Sequential Kinematic Models from Demonstrations for Multi-Jointed Articulated Objects
• Title（参考訳）: 多関節人工物体のデモから連続運動モデルを学ぶ
• Authors: Anmol Gupta, Weiwei Gu, Omkar Patil, Jun Ki Lee, Nakul Gopalan,
• Abstract要約: マルチDoFオブジェクトに対する運動的制約と操作順序の両方をキャプチャする表現であるOKSMを紹介する。 Pokenetは、従来の方法と比較して、実世界のデータに対して、ジョイント軸と状態推定を20%以上改善する。
• 参考スコア（独自算出の注目度）: 6.125464415922235
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As robots become more generalized and deployed in diverse environments, they must interact with complex objects, many with multiple independent joints or degrees of freedom (DoF) requiring precise control. A common strategy is object modeling, where compact state-space models are learned from real-world observations and paired with classical planning. However, existing methods often rely on prior knowledge or focus on single-DoF objects, limiting their applicability. They also fail to handle occluded joints and ignore the manipulation sequences needed to access them. We address this by learning object models from human demonstrations. We introduce Object Kinematic Sequence Machines (OKSMs), a novel representation capturing both kinematic constraints and manipulation order for multi-DoF objects. To estimate these models from point cloud data, we present Pokenet, a deep neural network trained on human demonstrations. We validate our approach on 8,000 simulated and 1,600 real-world annotated samples. Pokenet improves joint axis and state estimation by over 20 percent on real-world data compared to prior methods. Finally, we demonstrate OKSMs on a Sawyer robot using inverse kinematics-based planning to manipulate multi-DoF objects.
• Abstract（参考訳）: ロボットはより一般化され、多様な環境で展開されるようになると、複雑な物体と相互作用しなくてはならない。 一般的な戦略はオブジェクトモデリングであり、コンパクトな状態空間モデルは現実世界の観測から学習され、古典的な計画と組み合わせられる。 しかし、既存のメソッドは、しばしば事前の知識に頼り、単一のDoFオブジェクトに集中し、適用性を制限する。 また、閉塞した関節の処理に失敗し、それらにアクセスするのに必要な操作シーケンスを無視する。 我々は、人間のデモンストレーションからオブジェクトモデルを学ぶことで、この問題に対処する。 我々は,複数DoFオブジェクトに対する動作制約と操作順序の両方をキャプチャする新しい表現であるObject Kinematic Sequence Machines (OKSMs)を紹介する。 ポイントクラウドデータからこれらのモデルを推定するために、人間のデモに基づいてトレーニングされたディープニューラルネットワークであるPokenetを紹介します。 8000のシミュレーションと1,600の実世界の注釈付きサンプルに対して,本手法の有効性を検証した。 Pokenetは、従来の方法と比較して、実世界のデータに対して、ジョイント軸と状態推定を20%以上改善する。 最後に,逆キネマティクスに基づくマルチDoFオブジェクトの操作計画を用いて,Sawyerロボット上でOKSMを実演する。

関連論文リスト

• GAMMA: Generalizable Articulation Modeling and Manipulation for Articulated Objects [53.965581080954905]
  本稿では,GAMMA(Generalizable Articulation Modeling and Manipulating for Articulated Objects)の新たな枠組みを提案する。 GAMMAは,異なるカテゴリーの多種多様な調音オブジェクトから,調音モデルと手取りポーズの相違を学習する。 その結果, GAMMA はSOTA の調音モデルおよび操作アルゴリズムを, 目に見えない, 横断的な調音オブジェクトで著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-09-28T08:57:14Z)
• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)
• RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects with Graph Networks [32.00371492516123]
  弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。 我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。 実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T20:28:15Z)
• Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
  モデルに基づく視覚的目標達成のための自己監視手法を提案する。 私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。 このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T23:59:09Z)
• Hindsight for Foresight: Unsupervised Structured Dynamics Models from Physical Interaction [24.72947291987545]
  エージェントが世界と対話することを学ぶための鍵となる課題は、オブジェクトの物理的性質を推論することである。 本研究では,ラベルのない3次元点群と画像から直接,ロボットのインタラクションのダイナミクスをモデル化するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-02T11:04:49Z)

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。