卷积神经网络中抓取构型与层级特征的关联
计算机视觉与模式识别
2017-07-27 v5 机器人学
摘要
在本工作中，我们提供了一种基于视觉信息为拟人化 Robonaut-2 手臂定位以进行抓取的解决方案。我们学习了一种从卷积神经网络 (CNN) 提取的视觉特征到抓取点的映射。我们证明了预训练用于图像分类的 CNN 可以基于少量抓取示例应用于抓取任务。我们的方法利用了 CNN 的层级特性，通过识别捕获不同 CNN 层中滤波器之间层级支撑关系的特征，并在 CNN 中反向追踪激活来定位它们的 3D 位置，从而定位重要的可操作结构。当这种反向追踪在 RGB-D 图像中终止时，重要的可操作结构便被局部化。然后，将位于 CNN 不同层的这些特征与控制器关联，这些控制器驱动手/臂系统中不同的运动学子链以进行抓取。我们使用为 Robonaut-2 演示的手/物体关系收集了一个抓取数据集，以从生成的预抓取姿态的精度方面评估所提出的方法。我们证明，在杂乱场景下的抓取数据集上，该方法优于基线方法；并在使用 Robonaut-2 的抓取任务上，优于基于点云的方法。
引用
@article{arxiv.1609.03947,
title = {Associating Grasp Configurations with Hierarchical Features in Convolutional Neural Networks},
author = {Li Yang Ku and Erik Learned-Miller and Rod Grupen},
journal= {arXiv preprint arXiv:1609.03947},
year = {2017}
}
备注
8 pages, 9 figures, IROS 2017