一种用于深度机器人学习的雾机器人方法：在表面清理中物体识别与抓取规划的应用
机器人学
2019-03-25 v1
摘要
工业、汽车与服务机器人日益增长的需求，在隐私、安全、时延、带宽与可靠性方面对集中式云机器人模型提出了挑战。本文中，我们提出一种「雾机器人」深度机器人学习方法，以联邦方式在云与边缘之间分布计算、存储与网络资源。深度模型在云中使用非私有（公共）合成图像训练；模型在可信网络内的边缘适配于环境的私有真实图像，随后作为服务部署，为网络中其他机器人提供低时延且安全的推理/预测。我们将此方法应用于表面清理，其中移动机器人通过学习深度物体识别与抓取规划模型，从杂乱地面拾取并分类物体。实验表明，相较于仅使用云或边缘资源，雾机器人可通过仿真到真实的域适配提升性能，同时将推理周期时间减少 4×，在 213 次尝试中成功清理 86% 的物体。
引用
@article{arxiv.1903.09589,
title = {A Fog Robotics Approach to Deep Robot Learning: Application to Object Recognition and Grasp Planning in Surface Decluttering},
author = {Ajay Kumar Tanwani and Nitesh Mor and John Kubiatowicz and Joseph E. Gonzalez and Ken Goldberg},
journal= {arXiv preprint arXiv:1903.09589},
year = {2019}
}
备注
IEEE International Conference on Robotics and Automation, ICRA, 2019