基于深度预触摸感知的改进物体位姿估计

对于某些操作任务,通过头戴式相机进行物体位姿估计可能不够准确。这至少部分归因于我们无法完美标定当今高自由度机械臂连接头部与末端执行器的坐标系。我们提出了一种结合预触摸感知与深度学习的新型框架,以更高效的方式更准确地估计位姿。预触摸感知的使用使我们的方法能够直接相对于机器人末端执行器定位物体,从而避免因机械臂标定误差引起的错误。我们并非要求机器人用预触摸传感器扫描整个物体,而是使用深度神经网络检测包含显著几何特征的区域。通过将预触摸感知聚焦于这些区域,机器人能够更高效地收集调整初始位姿估计所需的信息。我们的区域检测网络使用一个新的数据集训练,该数据集包含几何形状差异极大的物体,并以可扩展且无人类偏置的方式标注。该数据集适用于任何涉及预触摸传感器收集几何信息的任务,并已公开可用。我们通过让机器人重新估计若干不同几何形状物体的位姿来评估我们的框架。与两种更简单的区域提议方法相比,我们发现我们的深度神经网络表现显著更优。此外,我们发现经过一系列扫描后,物体通常可被定位至真实位置 0.5 cm 以内。我们还观察到,在收集一次快速扫描后,初始位姿估计往往能得到显著改善。