GQ-STN：基于鲁棒性分类器优化一次性抓取检测
机器人学
2019-08-02 v2 计算机视觉与模式识别
机器学习
摘要
抓取是家庭机器人部署或推进仓库自动化所需的基本机器人任务。然而，极少有方法能够实时（帧率）执行抓取检测。为此，我们提出抓取质量空间变换网络（GQ-STN），一种一次性抓取检测网络。它基于空间变换网络（STN），不仅产生抓取配置，还直接输出以该配置为中心的深度图像。通过将我们的架构连接到外部训练的抓取鲁棒性评估网络，我们可以高效地训练以满意鲁棒性度量，通过来自评估网络的梯度反向传播实现。这消除了在稀疏标注数据库上训练检测网络的困难，这是抓取中的常见问题。我们进一步提议使用该鲁棒性分类器比较各方法，比传统的矩形度量更可靠。我们的GQ-STN能够在Dex-Net 2.0数据集的深度图像上以单次网络前向传播以92.4%的准确率检测鲁棒抓取。我们最终在物理基准中证明，相较先前基于采样的方法，我们的方法能更频繁地提出鲁棒抓取，同时速度快60倍以上。
引用
@article{arxiv.1903.02489,
title = {GQ-STN: Optimizing One-Shot Grasp Detection based on Robustness Classifier},
author = {Alexandre Gariépy and Jean-Christophe Ruel and Brahim Chaib-draa and Philippe Giguère},
journal= {arXiv preprint arXiv:1903.02489},
year = {2019}
}