通过重建感知轨迹优化在操控过程中构建三维物体模型
机器人学
2019-05-13 v1 人工智能
计算机视觉与模式识别
摘要
物体形状为机器人操控提供重要信息；例如，选择有效抓取取决于目标物体的全局与局部形状，而伸入杂乱环境需要精确的表面几何以避免与环境的非预期接触。基于模型的物体三维操控是被广泛研究的问题；然而，获取多个物体的精确三维模型通常需要繁琐的工作。在本快报中，我们利用从 RGB-D 传感器数据提取的高斯过程隐式曲面（GPIS）来抓取未知物体。我们提出一种重建感知轨迹优化，利用提取的 GPIS 模型规划运动，以在执行拾放动作的同时提升估计物体三维几何的能力。我们提出一种概率方法，使机器人自主学习与跟踪物体，同时完成操控任务。我们使用基于采样的轨迹生成方法，利用 GPIS 模型的估计条件熵探索物体的未观测部分。我们在来自 YCB 物体数据集的十一种不同形状物理物体上通过实体机器人实验验证了方法。实验表明，与直接求解操控任务或使用启发式观察物体未见部分相比，我们的重建感知轨迹优化提供了更高质量的三维物体重建。
引用
@article{arxiv.1905.03907,
title = {Building 3D Object Models during Manipulation by Reconstruction-Aware Trajectory Optimization},
author = {Kanrun Huang and Tucker Hermans},
journal= {arXiv preprint arXiv:1905.03907},
year = {2019}
}