GarmNet：以局部感知提升全局信息用于机器人衣物折叠
机器人学
2019-07-02 v1 计算机视觉与模式识别
摘要
开发自主辅助机器人以协助家务任务是机器人研究中的重要课题。在这些任务中，衣物折叠仍是远未实现的任务之一，主要由于皱缩衣物可能呈现的大量可能构型所致。已有研究或估计衣物整体的姿态，或单独检测用于抓取的地标。然而，此类工作通过将表示限制于单一任务，约束了机器人感知衣物状态的能力。本文中，我们提出一种名为 GarmNet 的新型端到端深度学习模型，能够同时定位衣物并检测用于抓取的地标。衣物的定位表示用于识别衣物类别的全局信息，而地标检测则有助于后续的抓取动作。我们使用包含 3,330 张不同姿态下不同衣物类型图像的 CloPeMa Garment 数据集训练并评估我们所提出的 GarmNet 模型。实验表明，加入地标检测（GarmNet-B）可大幅改善衣物定位，错误率降低 24.7%。诸如我们的解决方案对机器人应用十分重要，因其提供了可扩展至多类别、内存与计算高效的方案。
引用
@article{arxiv.1907.00408,
title = {GarmNet: Improving Global with Local Perception for Robotic Laundry Folding},
author = {Daniel Fernandes Gomes and Shan Luo and Luis F. Teixeira},
journal= {arXiv preprint arXiv:1907.00408},
year = {2019}
}
备注
13 pages, 5 figures, published in the 20th Towards Autonomous Robotic Systems Conference