基于有限标注数据的高效鲁棒级联智能机器人抓取架构
机器人学
2021-12-07 v1 人工智能
摘要
智能抓取物体即使对人类也是一项具有挑战性的任务，我们在童年时期花费大量时间学习如何正确抓取物体。对于机器人，我们无法承受让其花费如此多时间来学习有效抓取物体。因此，在本研究中，我们提出一种基于 VQVAE 的高效学习架构，以便用对应于正确抓取的充足数据来教导机器人。然而，在机器人抓取领域获取充足标注数据极其困难。为帮助解决该问题，我们研究了一种基于半监督学习的模型，即便在有限标注数据集下也具有更强的泛化能力。其性能相比包括我们早期模型在内的现有 SOTA 模型提升了 6%。在实验中观察到，我们提出的模型 RGGCNN2 在抓取孤立物体和杂乱环境中的物体时，均显著优于不使用未标注数据生成抓取矩形的现有方法。据我们所知，开发一种基于半监督学习的智能机器人抓取模型，通过表示学习训练，并利用 GGCNN2 架构在有限标注数据集及所学潜在嵌入下的高质量学习能力，可作为事实上的训练方法，本文已通过 Baxter（Anukul）研究机器人的严格硬件实验予以建立与验证。
引用
@article{arxiv.2112.03001,
title = {Development of a robust cascaded architecture for intelligent robot grasping using limited labelled data},
author = {Priya Shukla and Vandana Kushwaha and G. C. Nandi},
journal= {arXiv preprint arXiv:2112.03001},
year = {2021}
}
备注
12