面向机器人抓取任务的深度感知物体分割与抓取检测
计算机视觉与模式识别
2021-11-23 v1 机器人学
摘要
在本文中，我们提出了一种新颖的深度神经网络架构，用于在使用平行板夹爪的机器人抓取任务中进行联合类无关物体分割与抓取检测。我们引入了深度感知坐标卷积（CoordConv），这是一种在不增加任何额外网络参数或计算复杂度的情况下，提高复杂场景中基于点提议的物体实例分割精度的方法。深度感知 CoordConv 利用深度数据提取关于物体位置的先验信息，以实现高精度的物体实例分割。这些得到的分割掩码与预测的抓取候选相结合，构成了使用平行板夹爪进行抓取的完整场景描述。我们在具有挑战性的机器人抓取数据集（即 Siléane 和 OCID_grasp）上评估了抓取检测和实例分割的准确性，并展示了在真实世界机器人抓取任务中联合抓取检测与分割的优势。
引用
@article{arxiv.2111.11114,
title = {Depth-aware Object Segmentation and Grasp Detection for Robotic Picking Tasks},
author = {Stefan Ainetter and Christoph Böhm and Rohit Dhakate and Stephan Weiss and Friedrich Fraundorfer},
journal= {arXiv preprint arXiv:2111.11114},
year = {2021}
}