DYMO-Hair: Generaliseerbaar volumetrisch dynamisch modelleren voor robotmatige haar manipulatie

Samenvatting

Haarverzorging is een essentiële dagelijkse activiteit, maar blijft ontoegankelijk voor personen met beperkte mobiliteit en uitdagend voor autonome robotsystemen vanwege de fijnmazige fysieke structuur en complexe dynamiek van haar. In dit werk presenteren we DYMO-Hair, een modelgebaseerd robotisch haarverzorgingssysteem. We introduceren een nieuw paradigma voor dynamica-leren dat geschikt is voor volumetrische grootheden zoals haar, gebaseerd op een actie-geconditioneerd latent state editing-mechanisme, gekoppeld aan een compacte 3D latente ruimte van diverse kapsels om de generaliseerbaarheid te verbeteren. Deze latente ruimte is op grote schaal voorgetraind met behulp van een nieuwe haarfysica-simulator, waardoor generalisatie over voorheen onbekende kapsels mogelijk wordt. Door het dynamische model te gebruiken met een Model Predictive Path Integral (MPPI)-planner, is DYMO-Hair in staat om visueel doel-geconditioneerd haarstyling uit te voeren. Experimenten in simulatie tonen aan dat het dynamische model van DYMO-Hair de baseline-methoden overtreft in het vastleggen van lokale vervorming voor diverse, onbekende kapsels. DYMO-Hair presteert verder beter dan de baseline-methoden in gesloten-lus haarstyling-taken voor onbekende kapsels, met gemiddeld 22% lagere finale geometrische fout en 42% hoger slagingspercentage dan het state-of-the-art systeem. Real-world experimenten tonen de zero-shot overdraagbaarheid van ons systeem aan op pruiken, waarbij consistent succes wordt behaald op uitdagende onbekende kapsels waar het state-of-the-art systeem faalt. Samen introduceren deze resultaten een basis voor modelgebaseerde robotische haarverzorging, wat een stap voorwaarts betekent naar meer generaliseerbare, flexibele en toegankelijke robotische haarstyling in onbeperkte fysieke omgevingen. Meer details zijn beschikbaar op onze projectpagina: https://chengyzhao.github.io/DYMOHair-web/.

English

Hair care is an essential daily activity, yet it remains inaccessible to individuals with limited mobility and challenging for autonomous robot systems due to the fine-grained physical structure and complex dynamics of hair. In this work, we present DYMO-Hair, a model-based robot hair care system. We introduce a novel dynamics learning paradigm that is suited for volumetric quantities such as hair, relying on an action-conditioned latent state editing mechanism, coupled with a compact 3D latent space of diverse hairstyles to improve generalizability. This latent space is pre-trained at scale using a novel hair physics simulator, enabling generalization across previously unseen hairstyles. Using the dynamics model with a Model Predictive Path Integral (MPPI) planner, DYMO-Hair is able to perform visual goal-conditioned hair styling. Experiments in simulation demonstrate that DYMO-Hair's dynamics model outperforms baselines on capturing local deformation for diverse, unseen hairstyles. DYMO-Hair further outperforms baselines in closed-loop hair styling tasks on unseen hairstyles, with an average of 22% lower final geometric error and 42% higher success rate than the state-of-the-art system. Real-world experiments exhibit zero-shot transferability of our system to wigs, achieving consistent success on challenging unseen hairstyles where the state-of-the-art system fails. Together, these results introduce a foundation for model-based robot hair care, advancing toward more generalizable, flexible, and accessible robot hair styling in unconstrained physical environments. More details are available on our project page: https://chengyzhao.github.io/DYMOHair-web/.

DYMO-Hair: Generaliseerbaar volumetrisch dynamisch modelleren voor robotmatige haar manipulatie

DYMO-Hair: Generalizable Volumetric Dynamics Modeling for Robot Hair Manipulation

Samenvatting

Support