主动触觉对象识别、姿态估计与形状迁移学习的贝叶斯框架
机器人学
2026-03-05 v4 人工智能
摘要
人类可以通过主动触摸来探索和理解世界，机器人也希望具备类似能力。本文解决了主动触觉对象识别、姿态估计和形状迁移学习的问题，其中结合了定制的粒子滤波器（PF）和高斯过程隐式曲面（GPIS）于统一的贝叶斯框架中。当收到新的触觉输入时，定制的 PF 会更新对象类别与对象姿态的联合分布，同时跟踪对象的新颖性。一旦识别出新颖对象，其形状将通过 GPIS 进行重建。通过将 GPIS 的先验基于 PF 的最大后验估计（MAP）来实现，将已知形状的知识迁移到学习新形状。提出一种基于全局形状估计的探索程序，用于指导主动数据获取并在获取足够信息后终止探索。通过仿真实验，本框架在估计已知对象的对象类别和姿态方面证明了其有效性和效率。此外，它可以可靠地识别以前学习的形状。
引用
@article{arxiv.2409.06912,
title = {A Bayesian Framework for Active Tactile Object Recognition, Pose Estimation and Shape Transfer Learning},
author = {Haodong Zheng and Andrei Jalba and Raymond H. Cuijpers and Wijnand IJsselsteijn and Sanne Schoenmakers},
journal= {arXiv preprint arXiv:2409.06912},
year = {2026}
}