用于机器人铺床的织物抓取点深度迁移学习
机器人学
2019-09-18 v3 人工智能
摘要
在衣物折叠和纺织制造中操纵织物的一个基本挑战是计算“抓取点”以有效改变不确定流形的状态。我们提出一种有监督深度迁移学习方法，利用深度图像定位抓取点，从而对颜色和纹理具有不变性。我们考虑铺床任务，其中机器人顺序抓取并拉动抓取点以增加毯子覆盖率。我们使用两个移动操纵机器人（Toyota HSR 和 Fetch）以及三条不同颜色和纹理的毯子进行物理实验。我们比较了以下方案的覆盖率结果：（1）人工监督，（2）抓取最上层毯子点的基线方法，以及（3）学习得到的抓取点。在四分之一比例的双人床上，使用两个机器人合并数据训练的模型达到 92% 的毯子覆盖率，而基线为 83%，人工监督为 95%。该模型迁移到两条新颖毯子并实现 93% 覆盖率。193 张床的平均覆盖率 92% 表明，织物上具迁移不变性的机器人抓取点可被有效学习。
引用
@article{arxiv.1809.09810,
title = {Deep Transfer Learning of Pick Points on Fabric for Robot Bed-Making},
author = {Daniel Seita and Nawid Jamali and Michael Laskey and Ajay Kumar Tanwani and Ron Berenstein and Prakash Baskaran and Soshi Iba and John Canny and Ken Goldberg},
journal= {arXiv preprint arXiv:1809.09810},
year = {2019}
}
备注
International Symposium on Robotics Research (ISRR) 2019. Expanded and revised version of arXiv:1711.02525 as well as earlier versions here under the title "Robot Bed-Making: Deep Transfer Learning Using Depth Sensing of Deformable Fabric". Project website at https://sites.google.com/view/bed-make