基于杂波量化与Q-map掩码的快学习抓取及预抓取
机器人学
2021-07-07 v1
摘要
在杂乱场景中抓取物体是机器人学中的一项挑战性任务。执行推动和移动等预抓取动作以分散物体是减少杂乱程度的一种方式。基于深度强化学习，我们提出一种快学习抓取（FLG）框架，可整合预抓取动作与抓取，从杂乱场景中拾取物体并减少真实世界训练时间。我们将执行移动动作的奖励与环境杂波变化相关联，并利用混合触发方法，实现数据高效学习与协同。随后我们使用扩展全卷积网络的输出作为工作空间各像素点的值函数，并建立对每个动作抓取概率的准确估计。我们还引入掩码函数作为先验知识，使智能体聚焦于准确的位姿调整，从而提升训练数据收集效率并实现高效学习。我们在仿真环境中对FLG进行预训练，然后将学到的模型迁移至真实世界，通过最少微调在动作中进一步学习。实验结果表明抓取成功率达94%，且能泛化至新物体。与文献中现有最优方法相比，所提FLG框架能以更少的真实世界训练量达到相似或更高的抓取成功率。补充视频见 https://youtu.be/e04uDLsxfDg。
引用
@article{arxiv.2107.02452,
title = {Fast-Learning Grasping and Pre-Grasping via Clutter Quantization and Q-map Masking},
author = {Dafa Ren and Xiaoqiang Ren and Xiaofan Wang and S. Tejaswi Digumarti and Guodong Shi},
journal= {arXiv preprint arXiv:2107.02452},
year = {2021}
}