每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

通过形态感知学习实现跨具体化灵巧手关节生成

Created by
  • Haebom

作者

张恒、马雨辰、Mike 郑守、林伟思、吴彦

大纲

本文提出了一个端到端框架，用于在各种手部（具体化）配置下灵巧地抓取 3D 物体。该框架利用手形信息生成形状嵌入和独特的抓握集。该嵌入连同物体的点云和腕部姿势，随后被用作输入，以预测低维空间中的关节系数。预测的关节系数随后被解码为全关节关节。具体而言，关节学习采用运动感知关节损失 (KAL) 进行，该损失强调指尖运动并注入特定于形状的结构。在模拟中，该框架的平均成功率为 91.9%，即使使用少量数据训练的新手，也能达到 85.6% 的成功率。在实际实验中，该框架的成功率也达到了 87%。

Takeaways, Limitations

•
Takeaways：
◦
开发适用于各种手的端到端灵巧握持生成模型（实施例）。
◦
利用手形信息提高泛化性能。
◦
通过使用基于特征掌握的低维关节空间来提高计算效率。
◦
利用运动感知发音损失 (KAL) 改进联合学习。
◦
在模拟和现实环境中实现高成功率。
◦
适合数据较少的新手。
•
Limitations：
◦
摘要中未指定有关 Limitations 的具体信息。（这需要在论文发表时确认。）
◦
即使没有针对特定手的大型数据集，也可以进行概括，但缺乏有关训练所需数据量的信息。
◦
缺乏需要改进的具体技术细节的信息（例如，某些对象类型是否会降低性能）。
👍
Made with Slashpage