Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
GraspGen : un cadre basé sur la diffusion pour la préhension à 6 degrés de liberté avec entraînement sur générateur
Created by
Haebom
Auteur
Adithyavairavan Murali, Balakumar Sundaralingam, Yu-Wei Chao, Wentao Yuan, Jun Yamada, Mark Carlson, Fabio Ramos, Stan Birchfield, Dieter Fox, Clemens Eppner
Contour
Dans cet article, nous présentons GraspGen, un nouveau framework qui modélise la génération de préhensions centrée sur l'objet comme un processus de diffusion itératif pour résoudre le problème de généralisation de la préhension robotique à six degrés de liberté (6-DOF) par apprentissage. GraspGen est composé d'une architecture DiffusionTransformer et d'un discriminateur performant qui évalue et filtre les préhensions candidates. Plus précisément, nous proposons un nouveau schéma d'apprentissage pour le discriminateur et publions un nouveau jeu de données de simulation comprenant plus de 53 millions de données de préhension pour une évolutivité sur une variété d'objets et de préhenseurs. Les résultats expérimentaux montrent que GraspGen surpasse les méthodes existantes dans les simulations avec une variété de préhenseurs, atteint des performances de pointe sur le benchmark FetchBench et est performant sur des robots réels utilisant des observations visuelles bruitées.
Takeaways, Limitations
•
Takeaways:
◦
Une nouvelle approche pour résoudre les problèmes de préhension à 6 degrés de liberté en utilisant un processus de diffusion itératif centré sur l'objet est présentée.
◦
Améliorations des performances grâce à des méthodes d’apprentissage discriminant efficaces et à la publication d’un nouvel ensemble de données de simulation à grande échelle.
◦
Excellente validation des performances grâce à la simulation et à des expériences robotiques réelles. Performances de pointe obtenues lors du benchmark FetchBench.
•
Limitations:
◦
Il existe actuellement des aspects qui dépendent des données de simulation, et des performances de généralisation améliorées dans des environnements réels sont nécessaires.
◦
Bien que l'évolutivité vers une variété d'objets et de pinces ait été améliorée, l'applicabilité à des environnements plus complexes (par exemple, les interactions entre objets) nécessite une étude plus approfondie.
