基于深度图像的分布式物体关节模型估计
机器人学
2021-10-26 v2 人工智能
计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
我们提出了一种方法，能够直接从深度图像中高效学习关节模型参数的分布，而无需事先知道关节模型类别。相比之下，现有从原始观测中学习关节模型的方法通常仅预测模型参数的点估计，这不足以保证对关节物体的安全操控。我们的核心贡献包括基于螺旋理论、von Mises-Fisher 分布和 Stiefel 流形，提出一种用于表示刚体变换与关节模型参数分布的新颖表征。结合这些概念可实现一种高效且数学上严谨的表征，其隐式满足刚体变换与关节所必须遵循的约束。利用该表征，我们引入了基于深度学习的新方法 DUST-net，该方法在执行类别无关的关节模型估计的同时还能提供模型不确定性。我们在多个基准数据集和真实物体上评估了我们的方法，并将其性能与两种当前最先进（state-of-the-art）方法进行比较。结果表明，DUST-net 能够成功学习跨关节模型类别的新颖物体的关节模型分布，其生成的点估计比最先进方法具有更高精度，并能有效捕获因噪声输入导致的预测模型参数的不确定性。项目主页：https://pearl-utexas.github.io/DUST-net/
引用
@article{arxiv.2108.05875,
title = {Distributional Depth-Based Estimation of Object Articulation Models},
author = {Ajinkya Jain and Stephen Giguere and Rudolf Lioutikov and Scott Niekum},
journal= {arXiv preprint arXiv:2108.05875},
year = {2021}
}
备注
In the proceedings of the 5th Annual Conference on Robot Learning (CoRL), 2021. Project webpage: https://pearl-utexas.github.io/DUST-net/ . 18 pages, 10 figures, 4 tables