데이터 효율적인 변형 물체 역학 모델 학습을 위한 PIEGraph: 분석 물리 및 데이터 기반 모델의 결합

로봇 조작용 데이터 효율적인 객체 역학 모델 학습은 여전히 도전과제이며, 특히 변형 가능한 객체의 경우 더욱 그렇습니다. 일반적인 접근 방식은 객체를 3D 입자 집합으로 모델링하고 그래프 신경 네트워크 (Graph Neural Network) 를 사용하여 그 운동 법칙을 학습하는 것입니다. 그러나 실제 적용에서는 긴 시간 구간에서 물리적 실현 가능성을 유지하기에는 부족하며, 많은 상호작용 데이터를 필요로 합니다. 우리는 제한된 실세계 상호작용 데이터를 활용하여 강성체와 변형 가능한 두 가지 모두의 객체 역학을 포착하기 위해 분석 물리와 데이터 기반 모델을 결합하는 새로운 접근 방식인 PIEGraph를 소개합니다. PIEGraph는 두 가지 구성 요소로 이루어져 있습니다: (1) 물리적으로 정보에 기반한 입자 기반 분석 모델 (스프링-질량 시스템으로 구현되어 물리적으로 실현 가능한 운동을 강제), 및 (2) 입자 상호작용의 대칭성을 활용하여 분석 모델을 안내하는 새로운 행동 표현을 갖춘 등변성 그래프 신경 네트워크 (Equivariant Graph Neural Network). 우리는 PIEGraph를 줄, 천, 인형, 강성체와 같은 객체의 재배치 및 재위치 작업에서 시뮬레이션과 로봇 하드웨어에서 평가했습니다. 우리의 방법은 정확한 역학 예측과 신뢰할 수 있는 다운스트림 로봇 조작 계획 수립을 가능하게 하며, 이는 최신 기법들보다 우수한 성능을 보입니다.