LaGarNet: Goal-Conditioned Recurrent State-Space Models for Pick-and-Place Garment Flattening
作者: Halid Abdulrahim Kadi, Kasim Terzić
分类: cs.RO
发布日期: 2025-08-23
备注: 20 pages, 11 figures and 3 tables
💡 一句话要点
提出LaGarNet以解决复杂服装的平整化问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 目标条件模型 状态空间模型 服装操控 平整化 机器学习 机器人技术 自动化
📋 核心要点
- 现有方法在复杂服装的操控上存在较大的归纳偏差，难以实现有效的平整化。
- 论文提出的LaGarNet通过目标条件递归状态空间模型，能够有效学习服装的动态特性。
- 实验结果表明，LaGarNet在真实和仿真环境中对四种服装类型的平整化效果显著优于现有方法。
📝 摘要（中文）
我们提出了一种新颖的目标条件递归状态空间模型（GC-RSSM），能够学习服装的潜在动态。我们的方法LaGarNet在网格基础方法上达到了最先进的性能，标志着状态空间模型在复杂服装上的首次成功应用。LaGarNet通过覆盖对齐奖励进行训练，并利用随机策略和从少量人类示范中学习的扩散策略收集的数据，显著减少了之前类似方法引入的归纳偏差。我们展示了单一策略的LaGarNet在真实世界和仿真环境中对四种不同类型服装的平整化效果。
🔬 方法详解
问题定义：本论文旨在解决复杂服装的平整化问题，现有方法在处理此类任务时存在较大的归纳偏差，导致效果不佳。
核心思路：LaGarNet采用目标条件递归状态空间模型（GC-RSSM），通过学习潜在动态来实现对服装的有效操控，旨在减少归纳偏差并提高平整化效果。
技术框架：LaGarNet的整体架构包括数据收集、模型训练和策略执行三个主要模块。数据收集通过随机策略和扩散策略进行，模型训练则基于覆盖对齐奖励进行优化。
关键创新：LaGarNet的最大创新在于首次将状态空间模型成功应用于复杂服装的操控任务，显著提升了平整化的效果和效率。
关键设计：在关键设计上，LaGarNet采用了特定的损失函数来优化覆盖对齐奖励，并通过少量人类示范学习扩散策略，确保模型的泛化能力和实际应用效果。
📊 实验亮点
实验结果显示，LaGarNet在四种不同类型的服装上实现了显著的平整化效果，性能与最先进的网格基础方法相当，标志着在复杂服装处理领域的重大进展。
🎯 应用场景
该研究的潜在应用领域包括服装制造、干洗行业及智能家居等，能够为自动化服装处理提供有效解决方案。未来，LaGarNet有望在更复杂的物体操控任务中发挥重要作用，推动机器人技术的发展。
📄 摘要（原文）
We present a novel goal-conditioned recurrent state space (GC-RSSM) model capable of learning latent dynamics of pick-and-place garment manipulation. Our proposed method LaGarNet matches the state-of-the-art performance of mesh-based methods, marking the first successful application of state-space models on complex garments. LaGarNet trains on a coverage-alignment reward and a dataset collected through a general procedure supported by a random policy and a diffusion policy learned from few human demonstrations; it substantially reduces the inductive biases introduced in the previous similar methods. We demonstrate that a single-policy LaGarNet achieves flattening on four different types of garments in both real-world and simulation settings.