May, 2024

照料机器人的自主补被技术

PDF
TL;DR提出了一种新的策略，通过使用 DWPose 和 Segment Anything 模型来确保无意中移动被子的婴儿能够及时准确地再次覆盖，通过 EM*D 深度学习模型来预测被子状态的转变，并引入一种增强损失函数来提高网络对被子状态变化的敏感度。通过模拟和实际实验验证了该方法的有效性，在婴儿身上平铺和恢复被子。
infantsquiltsdwposesegment anythingem*d deep learning model
发现论文，激发创造
  • 一种基于物理的深度学习框架用于布料模拟

    通过物理嵌入学习框架，使用卷积神经网络代表物体之间的空间相关性，并通过三个分支学习布料物理的线性、非线性和时间导数特征，模型通过与传统模拟器或子神经网络相结合，测试在不同的布料动画案例中达到与基准值的一致性和预测的真实性，同时提高了推理效率，可与其他视觉细化技术整合应用于三维布料动画。

    Mar, 2024

  • 物理序列织物操作的视觉空间预测

    该研究使用视觉预测框架来学习能在不同任务中重复使用的织物动力学，使用这种方法可以在织物平整和折叠任务中提高效率，并在物理上完成连续织物折叠任务。

    Feb, 2021

  • Foldsformer：学习带有空间时间注意力的序列多步布料操纵

    提出了一种基于空间 - 时间注意机制的多步布料操纵规划框架 Foldformer，能够在没有目标观察的情况下完成相似任务，在四个典型的多步操作任务中大幅优于现有技术，而且可以在不需要额外培训或域随机化的情况下从模拟转移到实际应用中。

    Jan, 2023

  • 学习布料平滑的可视连通性动态

    通过学习基于粒子的动力学模型来实现机器人对布料的操作，该模型具有较强的归纳偏差和物理学习能力，同时具有视觉不变性和良好的预测可视化性。在仿真和现实场景下取得了优异的表现。

    May, 2021

  • dGLI 布料坐标：基于拓扑表示的布料状态语义分类

    通过介绍 dGLI 布料坐标系，本文为布料操作规划和控制提供了高效的学习方法，其基于高斯连接积分的方向导数允许一致性统一地表示平面和空间配置。该坐标系在分类布料状态和感知抓把变化等方面表现更加精准灵敏，且被证明可以通过简单的距离分类器来识别不同的状态。

    Sep, 2022

  • GAPS: 基于几何意识、基于物理的自监督神经服装披肩

    通过引入几何约束和基于物理的模型，本文解决了现有方法中的不逼真的问题，并提出了适用于所有服装类型的几何感知的服装皮肤方法。

    Dec, 2023

  • 基于潜在动态规划的有效布料展平方法 - PlaNet-Pick

    本文研究了为什么像 PlaNet 这样的循环状态空间模型在布料操纵任务中失败，通过在拾放布料平整领域中应用 PlaNet，探讨了模糊的重建如何导致在潜在空间中直接进行规划变得困难，并通过采用 KL 平衡和潜在超调来调整训练损失和计划拾取位置，并将更新后的 PlaNet-Pick 模型应用于潜在 MPC 算法，在模拟中实现了最先进的性能。

    Mar, 2023

  • 多层不可见服装披肩网络

    本文提出了一种针对多层服装的模型，通过映射其在人体模型的 UV 贴图上，将其拓扑结构独立化处理，并加入了基于 GNN 的网络，实现不同层次间的互动关系建模，从而成功实现了对真实服装重建的高性能模拟。

    Apr, 2023

  • SNUG: 自监督神经动态服装

    本文提出了一种自监督学习动态三维服装变形的方法，通过基于优化方案的物理模型训练神经网络，实现无需预先计算数据，节省大量时间和成本，并成功应用于包括动态变形和精细皱纹在内的交互式服装建模。

    Apr, 2022

  • QDP：学习依次优化准静态和动态操作元素以实现机器人布料操作

    提出了一种基于序贯强化学习的 Quasi-Dynamic Parameterisable（QDP）方法，用于优化静态和动态操作基元的运动速度和拾取和放置位置的参数，以提高布料操纵性能。在模拟和真实世界的实验中，结果表明通过优化基元的参数，性能可以提高 20%。

    Mar, 2023