Core Concepts
고차원 자유도 로봇의 기하학적 운동학 모델을 대체할 수 있는 신경 필드 기반의 자기 모델링 기법을 제안하며, 이를 활용한 운동 계획 기능을 소개한다.
Abstract
이 연구에서는 로봇의 자기 모델링을 위해 신경 필드 기반의 접근법을 제안한다. 기존의 자기 모델링 기법들은 깊이 정보나 기하학적 지식에 의존하는 한계가 있었다. 이에 반해 제안하는 방법은 2D 이미지와 카메라 자세 정보만을 활용하여 자기 모델을 학습할 수 있다.
구체적으로, 연구진은 고차원 자유도 동적 신경 밀도 필드 아키텍처와 커리큘럼 기반의 데이터 샘플링 전략을 도입하였다. 이를 통해 7자유도 로봇 모델에 대해 작업 공간 크기 대비 2%의 Chamfer-L2 거리 오차로 자기 모델을 학습할 수 있었다.
학습된 자기 모델은 역기구학 최적화와 RRT 기반 경로 계획 등의 응용 분야에 활용될 수 있다. 이를 통해 기하학적 운동학 모델이 없는 상황에서도 로봇의 자율적인 운동 제어가 가능해진다.
Stats
작업 공간 크기 대비 자기 모델의 Chamfer-L2 거리 오차는 평균 1.94%이다.
자기 모델의 표면적 IoU는 평균 0.496이며, 볼륨 IoU는 평균 0.573이다.
Quotes
"신경 필드 기반 자기 모델링은 기하학적 운동학 모델이 없는 상황에서도 로봇의 자율적인 운동 제어를 가능하게 한다."
"제안하는 커리큘럼 기반 데이터 샘플링 전략은 고차원 자유도 동적 신경 필드 학습에 핵심적인 역할을 한다."