機器人將 3D 可變形物體操縱成所需形狀的任務稱為形狀伺服。機器人必須估計物體的狀態(tài)并將其用作反饋信號。以前解決此問題的基于學習的方法側(cè)重于 1D 或 2D 對象，例如繩索或布料。最近的一篇論文提出了針對 3D 形狀伺服問題的第一個解決方案。

作者創(chuàng)建了一個深度神經(jīng)網(wǎng)絡，將可變形對象的點云作為輸入和輸出特征向量。它們稍后會映射到所需的末端執(zhí)行器位置。訓練后，機器人根據(jù)對象當前和目標形狀的點云計算其抓手的位置。

研究人員還研究了選擇最佳操作點的問題。實驗評估表明，所提出的方法使大量形狀的對象變形并優(yōu)于以前的方法。

在本文中，我們提出了一種利用稱為 DeformerNet 的深度神經(jīng)網(wǎng)絡進行 3D 可變形對象操作的新方法?？刂?3D 對象的形狀需要有效的狀態(tài)表示，可以捕獲對象的完整 3D 幾何形狀。當前的方法通過在對象上定義一組特征點或僅在 2D 圖像空間中使對象變形來解決此問題，這并不能真正解決 3D 形狀控制問題。相反，我們明確地使用 3D 點云作為狀態(tài)表示，并在點云上應用卷積神經(jīng)網(wǎng)絡來學習 3D 特征。然后使用完全連接的神經(jīng)網(wǎng)絡將這些特征映射到機器人末端執(zhí)行器的位置。一旦以端到端的方式訓練，DeformerNet 直接映射可變形對象的當前點云，以及目標點云形狀，到機器人夾持器位置的所需位移。此外，我們研究了在給定對象的初始形狀和目標形狀的情況下預測操縱點位置的問題。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！