.png){kind=icon}
返回
Compositional Motion Generation From Demonstration With Object-Centric Neural Fields
.png){kind=icon}
OA
AI
DOI：10.1109/lra.2026.3713713.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过将复杂行为组织为简单元素的组合，组合性（compositionality）实现了可扩展且数据高效（data efficient）的机器人学习。基于此原理，我们提出了一种生成式学习-from-demonstration框架，通过连接感知与运动之间的共享对象级表示，实现了机器人行为的组合性建模。我们利用以对象为中心的神经表示渲染场景，这些表示整合了标准神经场（canonical neural fields）和基于隐变量的变形（latent-conditioned deformations），以平滑、一致且可解释的方式捕捉位置和几何变化。对于运动生成，时序专家混合（temporal mixture-of-experts, MoE）采用门控机制（gating mechanism）在时间上组合对象条件下的运动基元（movement primitives），从而生成完整轨迹。这种时空组合性（spatial–temporal compositionality）在保持运动基元数据效率的同时，将运动锚定于视觉结构，实现了跨多样化场景配置的系统泛化。在模拟中，所提出的模型成功完成了长时域（long-horizon）操作任务，其训练数据需求显著少于其他基于图像的基线方法。真实世界实验进一步验证了该方法对噪声的鲁棒性、通过语言分割模型（language-based segmentation models）实现类别级泛化的能力，以及直接在3D场景表示上运行的能力。
Keyword:
Learning from demonstration
deep learning in grasping and manipulation
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
.png){kind=icon}
Grasp Transfer Based on Self-Aligning Implicit Representations of Local Surfaces基于局部表面自对齐隐式表示的抓取迁移
PREAI
分享收藏Conditional Neural Expert Processes for Learning Movement Primitives From Demonstration条件神经网络专家过程：从演示中学习运动基元
PREAI
分享收藏DeepSDF: Learning Continuous Signed Distance Functions for Shape RepresentationDeepSDF: 学习用于形状表示的连续符号距离函数
PREAI
分享收藏
查看更多内容