散らかった収納におけるブレード挿入のための3Dアフォーダンス学習
VulcanVoxelは、3D占有場に対するマスク付きオートエンコーダを用いて空間アフォーダンスを学習する手法であり、ロボットが散らかった布製ビン内でブレード挿入のための実行可能な領域を発見できるようにする。人間による注釈なしで10,000件の実際の倉庫収納エピソードで訓練され、最良の姿勢ベースベースラインの0.71に対してトップ5カバレッジ0.89を達成。蒸留された学生モデルにより、推論時間が1.4秒から30ミリ秒に短縮された。
多くのロボット操作タスクでは、自由空間のアフォーダンスを推論することが重要です。つまり、細長い剛体ツールが安全に移動できる体積領域を発見することです。これは、把持のための表面接触アフォーダンスを補完します。散らかった収納におけるブレード挿入は典型的な例であり、ロボットは布製ビン内でアイテムをブレードで掃き寄せ、挿入スペースを作る必要があります。生産レベルの収納システムは数百万回のこのようなエピソードを生成しますが、標準的なアプローチでは単峰データからアフォーダンスをSE(3)姿勢分布として推論しており、これは幾何学的な問題を誤った領域で問うことになります。
VulcanVoxelは推論を空間的に保ちます。3D占有場に対するマスク付きオートエンコーダが、シーン幾何学に条件付けられたブレード占有を再構築し、各ボクセルで局所的に実現可能性を計算し、単峰データから多峰予測を復元します。ブレードアフォーダンスは空間オブジェクトであり、幾何学的実現可能性によって定義される3D空間の部分集合です。姿勢パラメータは未観測の配置が実現可能かどうかを推論する構造を持たず、フローマッチングを含む標準的な生成目的関数は実行ポリシーが生成する単峰分布を忠実に学習するため、幾何学的代替案を復元できません。この空間的推論は幾何学的本質に合致し、実行ポリシーが示さなかった実行可能領域を発見できます。
VulcanVoxelは人間による注釈なしで10,000件の実際の倉庫収納エピソードで訓練され、トップ5カバレッジ0.89を達成しました（最良の姿勢ベースベースラインは0.71）。これは、VulcanVoxelがより完全に実行可能な挿入空間を発見し、ロボットにより多くの操作オプションを提供することを意味します。さらに、知識蒸留により軽量な学生モデルが得られ、RGBからボクセルへの推論を30ミリ秒で実行できます（元のボクセル間推論は1.4秒）。この高速化により、本手法をリアルタイムシステムに展開可能になります。研究チームは、RGB-D観測と姿勢軌跡を含む実際のブレード挿入サイクルのデータセットをhttps://www.armbench.com/blade_insertion.htmlで公開しています。この研究は、複雑なロボット操作における空間アフォーダンス学習の大きな可能性を示し、将来の倉庫自動化に新たな技術方向性を提供します。