Form2Fit：从拆解中学习形状先验以实现可泛化装配
机器人学
2020-05-19 v2 计算机视觉与模式识别
机器学习
摘要
是否有可能学习到可以泛化到新物体的机器人装配策略？我们在套件装配任务背景下探讨这一想法。由于经典方法严重依赖物体位姿估计，它们往往难以在没有3D CAD模型或任务特定训练数据的情况下泛化到新物体。在这项工作中，我们提议将套件装配任务表述为一个形状匹配问题，其目标是学习一个形状描述符，从视觉输入中建立物体表面与其目标放置位置之间的几何对应关系。这种表述使模型能够更广泛地理解形状和表面如何契合以进行装配——从而使其能够泛化到新物体和新套件。为获取模型的训练数据，我们提出了一种自监督数据收集流程，通过拆解完整套件来获得物体到放置位置的真实对应关系。我们最终的真实世界系统Form2Fit学习到了有效的拾取和放置策略，用于将物体装配进多种套件中——在不同初始条件（例如变化的物体和套件位姿）下实现了90%的平均成功率，在多套件新配置下成功率为94%，在完全新的物体和套件下成功率超过86%。
引用
@article{arxiv.1910.13675,
title = {Form2Fit: Learning Shape Priors for Generalizable Assembly from Disassembly},
author = {Kevin Zakka and Andy Zeng and Johnny Lee and Shuran Song},
journal= {arXiv preprint arXiv:1910.13675},
year = {2020}
}
备注
Code, videos, and supplemental material are available at https://form2fit.github.io/