HANDLOOM：用于长柔性线性物体检测与操控的学习式追踪算法
机器人学
2023-10-31 v2
摘要
追踪——估计空间状态——长柔性线性物体（如线缆、线、软管或绳索）对于家庭、零售、工厂、建筑、交通和医疗等领域的广泛任务都很有用。对于具有众多（超过25个）交叉的长柔性线性物体（DLOs 或简称线缆），我们提出 HANDLOOM（异构自回归学习的柔性线性物体观测与操控），一种基于学习的算法，可将追踪拟合到线缆的灰度图像上。我们在半平面 DLO 构型上评估 HANDLOOM，其中每个交叉至多涉及2个线段。HANDLOOM 利用以 30,000 个模拟样本和 568 个真实样本训练的神经网络，自回归地估计线缆追踪并分类交叉。实验发现，在存在多个相同线缆的设置中，HANDLOOM 能以 80% 的精度追踪每根线缆。在单线缆图像中，HANDLOOM 能以 77% 的精度追踪并识别绳结。当 HANDLOOM 被集成到双手机器人系统中时，它实现了基于状态的打结动作模仿，精度达 80%，并成功解开了 3 个难度级别中 64% 的线缆构型。此外，HANDLOOM 展示了对训练数据集中未出现的绳结类型和材料（橡胶、布绳）的泛化能力，精度为 85%。补充材料，包括所有代码和带真实追踪标注的线缆 RGB-D 图像数据集，见 https://sites.google.com/view/cable-tracing。
引用
@article{arxiv.2303.08975,
title = {HANDLOOM: Learned Tracing of One-Dimensional Objects for Inspection and Manipulation},
author = {Vainavi Viswanath and Kaushik Shivakumar and Jainil Ajmera and Mallika Parulekar and Justin Kerr and Jeffrey Ichnowski and Richard Cheng and Thomas Kollar and Ken Goldberg},
journal= {arXiv preprint arXiv:2303.08975},
year = {2023}
}