본 논문은 탄성-소성 물체 조작의 어려움(심각한 자기 차폐, 표현의 어려움, 복잡한 역학)을 해결하기 위해 새로운 프레임워크를 제안한다. 정정적(quasi-static) 운동 가정 하에 3D 점유율(occupancy)을 이용하여 물체를 표현하고, 3D 점유율로 학습된 역학 모델과 학습 기반 예측 제어 알고리즘을 활용한다. 3D 점유율 데이터셋 생성을 위한 파이프라인과 데이터 수집 플랫폼을 제시하며, RGB 이미지를 이용해 3D 점유율을 추론하는 네트워크를 학습시킨다. 3D CNN과 GNN을 활용한 심층 신경망으로 복잡한 변형을 예측하고, 효율적인 계획을 위한 형태 기반 동작 초기화 모듈을 포함하는 학습 기반 예측 제어 알고리즘을 통해 로봇 동작을 계획한다. 시뮬레이션과 실제 환경에서 다양한 실험을 통해 제안된 프레임워크의 성능을 검증한다.
