Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Sintetizar agarres multidedos diversos y sensibles a la incertidumbre a partir de observaciones parciales sigue siendo un reto crítico en el aprendizaje robótico. Los modelos generativos existentes tienen dificultades para modelar la compleja distribución de agarres de manos diestras y, a menudo, generan agarres poco fiables o excesivamente conservadores, sin tener en cuenta la incertidumbre de forma inherente a las nubes de puntos parciales. En este artículo, proponemos FFHFlow, un marco variacional basado en flujo que genera agarres multidedos diversos y robustos, a la vez que cuantifica explícitamente la incertidumbre perceptual a partir de nubes de puntos parciales. El método propuesto supera el colapso modal y las restricciones previas fijas de los autocodificadores variacionales condicionales (cVAE) aprovechando un modelo de variable latente profunda regularizado basado en flujo para aprender una variedad de agarres jerárquica. Aprovechando la reversibilidad del flujo y la verosimilitud precisa, FFHFlow investiga internamente la incertidumbre de forma a partir de observaciones parciales e identifica nuevas estructuras de objetos, lo que permite la síntesis de agarres sensibles a los riesgos. Para mejorar aún más la fiabilidad, integramos la probabilidad de flujo con un estimador de agarre discriminativo para desarrollar una estrategia de clasificación que prioriza los agarres robustos a la ambigüedad de forma. Experimentos exhaustivos en simulaciones y entornos reales demuestran que FFHFlow supera a los modelos de referencia más modernos (incluidos los modelos de difusión) en diversidad de agarres y tasa de éxito, a la vez que logra un muestreo eficiente en tiempo de ejecución. Además, demostramos su utilidad práctica en entornos complejos y restringidos, donde el muestreo basado en la diversidad mitiga las colisiones y ofrece un rendimiento superior (página del proyecto: https://sites.google.com/view/ffhflow/home/ ).
Presentamos un método novedoso para generar de manera eficiente agarres multidedos diversos y conscientes de la incertidumbre a partir de observaciones parciales.
◦
Superar el colapso del modo y la corrección previa de los métodos existentes utilizando un modelo basado en flujo.
◦
La consideración explícita de la incertidumbre crea puntos de referencia más estables y fiables.
◦
Logre un rendimiento de vanguardia en entornos simulados y del mundo real.
◦
Funciona eficazmente incluso en entornos complejos y limitados.
•
Limitations:
◦
El rendimiento del método propuesto puede depender del conjunto de datos utilizado y de la complejidad del modelo.
◦
Es necesario mejorar aún más el rendimiento de generalización en entornos del mundo real.
◦
El coste computacional puede ser relativamente alto.
◦
Se necesita más investigación sobre el rendimiento de generalización en diferentes formas y materiales de objetos.
