One Fling to Goal: Environment-aware Dynamics for Goal-conditioned Fabric Flinging

面料动态操纵在制造和家庭环境中经常出现。虽然动态操纵面料以达到目标状态非常高效，但由于不同面料的不同特性、与环境相互作用时的复杂动态以及满足所需目标条件等方面的挑战，这项任务存在相当大的难度。为了解决这些挑战，我们提出了一种名为“One Fling to Goal”的算法，能够处理不同形状和物理特性的面料片在各种场景下的操纵。我们的方法学习了一个基于图形的动力学模型，并具备环境感知能力。通过这个动力学模型，我们设计了一个实时控制器，使得能够在一次尝试中以高速完成目标条件下的面料操纵任务，只需要不到3秒的时间。我们在五个不同的场景中对我们的方法进行了实验验证，证明了我们的方法显著提高了这个目标条件下的任务，在复杂场景中实现了平均误差为13.2毫米。我们的方法可以无缝地转移到实际的机器人系统中，并以零-shot的方式推广到未见过的场景中。

解决问题：论文旨在解决如何在不同情境下高效地进行布料动态操作的问题，提出了One Fling to Goal算法

关键思路：论文采用基于图的动力学模型与环境感知相结合的方法，设计出实时控制器，实现在一次尝试中高速完成布料操作任务

其他亮点：论文在五种不同情境下验证了该方法的实验效果，平均误差为13.2mm；该方法可无缝转移到实际机器人系统中，并可在零样本情境下进行泛化；

相关研究：近期相关研究包括《Learning to Manipulate Deformable Objects Without Demonstrations》、《DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills》等