通过类别无关分割进行新物体的抓取箱拣选：RGB 至关重要
机器人学
2023-12-29 v1
摘要
本文探讨了用于机器人操作的类别无关实例分割，重点关注独立于物体类别进行分割，以实现在动态环境中如抓取箱拣选等多功能应用。现有方法通常缺乏泛化能力和物体特定信息，导致抓取失败。我们提出了一种新颖的方法，利用以物体为中心的实例分割和基于仿真的训练，以有效迁移至真实世界场景。值得注意的是，我们的策略克服了由噪声深度传感器带来的挑战，增强了学习的可靠性。我们的解决方案能够处理透明和半透明物体，这些物体在历史上对基于深度的抓取方法而言十分困难。贡献包括用于成功迁移的域随机化、我们收集的用于仓库应用的数据集，以及用于高效抓取箱拣选的集成框架。我们训练的实例分割模型在 WISDOM 公开基准 [1] 以及定制创建的数据集上均实现了 SOTA 性能。在具有挑战性的真实世界抓取箱拣选设置中，我们的抓取箱拣选框架方法对不透明物体达到了 98% 的准确率，对非不透明物体达到了 97% 的准确率，以更大优势超越了 SOTA 基线。
引用
@article{arxiv.2312.16741,
title = {Bin-picking of novel objects through category-agnostic-segmentation: RGB matters},
author = {Prem Raj and Sachin Bhadang and Gaurav Chaudhary and Laxmidhar Behera and Tushar Sandhan},
journal= {arXiv preprint arXiv:2312.16741},
year = {2023}
}
备注
Presented at IEEE International Conference on Robotic Computing (IRC), 2023