Differentiable Discrete Elastic Rods for Real-Time Modeling of Deformable Linear Objects

本文探讨了建模可变形线性物体（DLOs），如绳索和电缆，在长时间跨度内的动态运动的任务。由于DLOs的复杂动力学，这项任务面临着重大挑战。为了解决这些问题，本文提出了可微分的离散弹性杆用于真实时间建模可变形线性物体（DEFORM），这是一个新颖的框架，将可微分的基于物理的模型与学习框架相结合，以准确地和实时地建模DLOs。通过涉及两个工业机器人和各种传感器的实验设置来评估DEFORM的性能。一系列全面的实验证明了DEFORM在准确性、计算速度和与最先进的替代方案相比的泛化能力方面的有效性。为了进一步证明DEFORM的实用性，本文将其集成到感知流水线中，并展示了它在跟踪DLO时即使存在遮挡物也比最先进的方法表现更好的性能。最后，本文展示了DEFORM在应用于执行DLO的自主规划和控制时，与最先进的方法相比表现出更好的性能。项目页面：https://roahmlab.github.io/DEFORM/。

本文旨在解决建模可变形直线物体（如绳索和电缆）在长时间动态运动过程中的挑战，提出一种新的框架DEFORM。

DEFORM框架将可微分的基于物理的模型与学习框架相结合，以实现对DLOs的准确建模和实时建模。

DEFORM在实验中表现出了与现有方法相比更高的准确性、计算速度和泛化能力。此外，本文将DEFORM集成到感知流程中，并展示了其在跟踪DLO时的优越性能，即使在遮挡的情况下也能实现。最后，本文还展示了DEFORM在自主规划和控制DLO时的卓越性能。

与本文相关的研究包括基于物理的建模和机器学习方法的组合，以及用于建模DLOs的其他方法，如基于质点模型和弹性杆模型。