用于机器人抓取识别与检测的字典学习
机器人学
2016-06-03 v1 计算机视觉与模式识别
摘要
抓取普通且可能从未见过的物体的能力，是家用与工业机器人的一项重要特性。为实现这一点，系统必须利用来自各类传感器的信息（如Microsoft Kinect 3D相机）自主识别抓取位置。尽管已取得诸多进展，该领域仍有大量工作待完成。为此，我们提出一种字典学习与稀疏表示(DLSR)框架，用于在确定此类良好抓取位置的背景下表示来自3D传感器的RGBD图像。与先前依赖复杂正则化或极大数据集的方法不同，所推导的感知系统具有快速训练阶段且可处理小数据集。它在理论上也为处理掩码缺失条目（3D传感器中常见）奠定了基础。我们的贡献在于提出了一项对比研究，考察多种DLSR方法组合在标准Cornell数据集上识别和检测抓取候选者的表现。重要的是，实验结果显示，相较于当前最先进的卷积神经网络(CNN)，检测性能提升1.69%，识别性能提升3.16%。尽管如今最流行的基于视觉的方法是CNN，但这表明DLSR也是一种可行的替代方案，且具有CNN所不具备的有趣优势。
引用
@article{arxiv.1606.00538,
title = {Dictionary Learning for Robotic Grasp Recognition and Detection},
author = {Ludovic Trottier and Philippe Giguère and Brahim Chaib-draa},
journal= {arXiv preprint arXiv:1606.00538},
year = {2016}
}
备注
Submitted at the 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2016)