Роботы получают новую функцию «Схватывание» AO-Grasp обучает роботов не ронять ваше имущество!
AO-Grasp Роботы теперь оснащены новой функцией схватывания, чтобы не повредить ваше имущество!
В последние годы роботы нашли все большее применение в различных отраслях, от производства до здравоохранения. Однако их эффективность в выполнении задач в значительной степени зависит от их способности взаимодействовать с окружающей средой. Одним из ключевых аспектов этого взаимодействия является их способность схватывать объекты. Именно здесь и приходит на помощь AO-Grasp – инновационная технология, разработанная для создания стабильных и надежных схватываний артикулированных объектов. В искусственных и реальных сценариях AO-Grasp показал повышение уровня успеха по сравнению с существующими методами, позволяя роботам эффективно взаимодействовать с шкафами и приборами.
Исследователи позиционируются в области планирования захвата, подчеркивая необходимость устойчивых захватов и взаимодействия с артикулированными объектами, сосредотачиваясь на действенности. Существующие работы нуждаются в комплексных решениях для генерации звуковых и разнообразных захватов. Часто упрощается генерация захвата или делается упор на политики непрерывного взаимодействия. В их исследовании также отмечается отсутствие оценок в реальном мире и важность обширных наборов данных о захвате для артикулированных объектов. Они подчеркивают сложности захвата таких объектов и необходимость понимания местных геометрий для определения соответствующих точек захвата.
Предлагаемый метод решает проблему взаимодействия с артикулированными объектами, такими как шкафы и приборы, у которых есть подвижные части. Схватывание таких объектов является сложной задачей, поскольку захват должен быть стабильным и действенным, а области, доступные для захвата, изменяются в зависимости от положения сочленений объекта. Существующие работы сосредотачиваются на неартикулированных вещах, поэтому в статье представлены набор данных и модель AO-Grasp, которые обеспечивают данные и метод для генерации стабильных и действенных захватов артикулированных объектов. Цель состоит в том, чтобы дать роботам возможность эффективно взаимодействовать с этими объектами для различных задач по манипулированию.
- Эта статья искусственного интеллекта представляет DiffEnc продвижение моделей диффузии для повышения генеративной производительности
- Ген-ИИ Веселье, страх и будущее!
- Потоковая передача больших моделей языка в Amazon SageMaker JumpStart
Исследователи представляют метод AO-Grasp для генерации стабильных и действенных захватов артикулированных объектов. Он состоит из двух компонентов: модели прогнозирования точек действенного захвата и передового подхода к захвату жесткого объекта. Модель прогнозирования использует набор данных AO-Grasp, содержащий 48 тысяч действенных захватов на синтетических артикулированных объектах, для поиска оптимальных точек захвата. Производительность прогнозирования ориентации модели сравнивается с моделью CGN, обученной на наборе данных ACRONYM, и подчеркиваются различия в тренировочных данных. Подход также решает проблемы обучения модели прогнозирования и использования ложных меток «псевдо-золотой правды» для предотвращения переобучения.
В симуляции AO-Grasp превосходит существующие контрольные значения для жестких и артикулированных объектов с значительно более высоким уровнем успешности. В тестировании в реальном мире он успешно выполняется в 67,5% сцен, превосходя базовый уровень в 33,3%. AO-Grasp последовательно превосходит Contact-GraspNet и Where2Act в различных состояниях и категориях объектов. Он также генерирует лучшие тепловые карты вероятности захвата, особенно для объектов с несколькими подвижными частями. Разрыв успеха с CGN значительнее для закрытых состояний, что подчеркивает эффективность AO-Grasp на артикулированных объектах. AO-Grasp демонстрирует надежную обобщаемость на невидимые категории во время тренировки.
В заключение, AO-Grasp представляет собой высокоэффективное решение для генерации стабильных и действенных захватов артикулированных объектов, превосходящее существующие контрольные значения в симуляции и реальных сценариях. Подход использует набор данных AO-Grasp, включающий 48 тысяч симулированных захватов, и опирается на априорные знания о семантике объектной части и геометрии, чтобы преодолеть концентрированные области захвата. Исследование также предлагает ценные детали внедрения, включая функции потерь и стратегии отбора, предлагая путь к дальнейшему прогрессу в этой области.
