Multi-level Reasoning for Robotic Assembly: From Sequence Inference to Contact Selection

自动组装物体零件是一个复杂的问题，在制造、维护和回收等领域有无数的应用。与现有的研究仅限于目标分割、姿态回归或使用固定的目标蓝图不同，我们的工作提出了一个全面的多层次零件组装规划框架，包括零件组装序列推断、零件运动规划和机器人接触优化。我们提出了零件组装序列转换器（PAST）——一种序列到序列的神经网络——从目标蓝图递归地推断出组装序列。然后，我们使用运动规划和优化来生成零件运动和接触。为了训练PAST，我们介绍了D4PAS：一个大规模的零件组装序列数据集，包括工业物体的物理有效序列。实验结果表明，我们的方法比以前的方法更具有普适性，同时需要显著更少的计算时间进行推断。

本文试图解决自动化物体装配的问题，包括装配序列推断、部件运动规划和机器人接触优化。相比现有研究，该论文提出了一个综合的多层框架，可以更好地解决这个问题。

本文的关键思路是使用序列到序列的神经网络Part Assembly Sequence Transformer（PAST）从目标蓝图中递归地推断装配序列，然后使用运动规划器和优化方法生成部件运动和接触。

本文通过构建一个大规模的数据集D4PAS，展示了PAST模型的有效性和泛化能力。实验结果表明，该方法相比之前的方法具有更好的泛化性能，而且需要更少的计算时间。此外，该论文还提供了开源代码。

最近的相关研究包括目标分割、姿态回归或使用固定目标蓝图等。