Dex-Net 2.0: 基于合成点云与解析抓取指标的深度学习鲁棒抓取规划
机器人学
2017-08-10 v3
摘要
为了减少用于深度学习鲁棒机器人抓取规划的数据收集时间，我们探索了基于 Dex-Net 1.0 中数千个 3D 模型在桌面上以随机姿态生成的 670 万个点云、抓取及解析抓取指标的合成数据集进行训练。我们使用生成的数据集 Dex-Net 2.0 来训练抓取质量卷积神经网络 (GQ-CNN) 模型，该模型能够根据深度图像快速预测抓取的成功概率，其中抓取由夹爪相对于 RGB-D 传感器的平面位置、角度和深度来指定。在 ABB YuMi 上进行的超过 1,000 次针对分离物体的抓取规划方法对比实验表明，仅使用 Dex-Net 2.0 合成数据训练的 GQ-CNN 可在 0.8 秒内规划抓取，在八个具有对抗几何形状的已知物体上成功率达 93%，且比将点云配准到预计算物体数据集并索引抓取的方法快 3 倍。Dex-Net 2.0 抓取规划器在包含 10 个新颖刚性物体的数据集上也具有最高的成功率，并在包含 40 个新颖家庭物品（部分为铰接或可变形）的数据集上实现了 99% 的精度（在 69 个被分类为鲁棒的抓取中仅有一个假阳性）。代码、数据集、视频及补充材料可在 http://berkeleyautomation.github.io/dex-net 获取。
引用
@article{arxiv.1703.09312,
title = {Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics},
author = {Jeffrey Mahler and Jacky Liang and Sherdil Niyaz and Michael Laskey and Richard Doan and Xinyu Liu and Juan Aparicio Ojea and Ken Goldberg},
journal= {arXiv preprint arXiv:1703.09312},
year = {2017}
}
备注
To appear at Robotics: Science and Systems 2017