基于点云特征学习的肌电假肢抓握类型估计
计算机视觉与模式识别
2019-08-08 v1
摘要
假手可帮助肢体缺失者回归日常生活。然而，商用假肢在提供可接受的灵巧性方面存在若干局限。我们通过为假手加装现成深度传感器来应对这些局限，使假肢能看见物体深度、记录单视图(2.5-D)快照，并利用基于3D点云名为PointNet的深度网络架构估计合适的抓握类型。人类可在此过程中作为监督者，接受或拒绝建议的抓握类型。我们实现了高达88%的抓握分类准确率。与RGB数据的情况相反，深度数据提供了抓握识别所需的全部必要物体形状信息。PointNet不仅使3-D数据得以实际应用，还避免了过量计算。此类半自主系统对假手的增强可带来更好的抓握类型区分、更轻的用户负担与更优的性能。
引用
@article{arxiv.1908.02564,
title = {Grasp Type Estimation for Myoelectric Prostheses using Point Cloud Feature Learning},
author = {Ghazal Ghazaei and Federico Tombari and Nassir Navab and Kianoush Nazarpour},
journal= {arXiv preprint arXiv:1908.02564},
year = {2019}
}