Benutzergesteuertes Framework zur Szenengenerierung mit Diffusionsmodellen

In den letzten Jahrzehnten hat sich ein Zweig der Robotik darauf konzentriert, spezifische menschliche Fähigkeiten wie Manipulation, Wahrnehmung und Navigation nachzuahmen, um tägliche Aufgaben zu bewältigen. Die menschliche Art, diese Aufgaben zu lösen, geht jedoch über diese konventionellen Fähigkeiten hinaus und umfasst komplexere Fertigkeiten wie die Vorstellungskraft, die unter anderem das Vorhersagen von Szenarien ermöglicht. Diese Forschung stellt eine neuartige Architektur vor, die darauf ausgelegt ist, imaginative Kapazitäten in Robotern durch die Nutzung großer Diffusionsmodelle zu implementieren. Das vorgeschlagene Framework umfasst eine Wahrnehmungsphase, gefolgt von einer Lösungsentwicklung und einem Auswahlalgorithmus in der Endphase. Mit dieser Architektur erreicht der Roboter ein Schließen, das es ihm erlaubt, neue Situationen mit und ohne Kontext vorzustellen, abhängig von den gegebenen Eingabeinformationen. Um die beste Relation zwischen Leistung und Ausführungszeit zu erzielen, wurden verschiedene Diffusionsmodelle systematisch unter einer Zero-Shot-Konfiguration bewertet. Außerdem führen wir Tests durch, um die Genauigkeit der Methode und die Nützlichkeit der Anwendung aus Sicht der Nutzer zu überprüfen. Diese wurden für verschiedene Szenen und unterschiedliche Anwendungen wie das Umordnen von Objekten, das Decken des Tisches zum Abendessen oder das Aufräumen eines unordentlichen Schreibtischs durchgeführt.