.png){kind=icon}
返回
Contact-Aware Diffusion Sampling for RRT-Based Manipulation
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14244837.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
快速探索随机树（RRT）提供了概率完备性，但在高自由度（DOF）操作任务中探索效率往往较低。为解决这一问题，我们提出了一种接触感知的双层规划器，该规划器在保持完备性的混合采样与均匀采样的框架下，将学习到的切换-子目标预测器与关节空间中的条件扩散采样器耦合。一个基于ResNet的上层网络根据RGB图像预测任务相关的里程碑：抓取/释放“切换”构型以及作为连续接触事件之间分阶段、滚动时域目标的关节空间中间子目标。在基于这些预测和当前状态的条件下，一个低层扩散模型采样树扩展段——关节空间方向和步长，而非绝对构型。这些提议可作为标准RRT/RRT-Connect中均匀采样的直接替代方案，同时非零比例的均匀采样保留了概率完备性。通过将生长偏向接触相关区域，该规划器在不改变最近邻搜索、转向或碰撞检测等基本操作的前提下，将搜索集中在可行接近流形附近。在马克杯拾取与放置仿真中，所提出的方法相较于扩散方法和其他基于模仿学习训练的序列策略，实现了更高的成功率，并且相较于均匀采样、目标偏向RRT以及基于CVAE和条件GAN的先验学习引导采样器，在相同的碰撞检测和迭代限制条件下，所需的RRT扩展次数更少。
Keyword:
sampling-based motion planning
RRT
conditional diffusion
contact-aware manipulation
learning-guided planning
期刊
IF:
2.6
论文数:
9.9K
被引数:
4.7W
机构
引用论文
.png){kind=icon}
PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive PlanningOAAI
OAAI分享收藏Learning Force Control for Contact-Rich Manipulation Tasks With Rigid Position-Controlled Robots
OAAI
OAAI分享收藏
查看更多内容