提升机器人抓取自监督学习的数据效率
机器人学
2019-03-04 v1
摘要
给定仅基于深度相机输入与夹爪力反馈学习机器人抓取的任务，我们从应用角度推导出一种学习算法，以显著减少所需训练数据量。时间与数据效率的重大提升通过以下方式实现：首先，我们利用无失真深度图像与任务空间之间的几何一致性。使用一个相对较小的全卷积神经网络，我们以训练及推理性能上的巨大优势预测抓取与夹爪参数。其次，受约 3% 的随机抓取成功率启发，我们以系统性方式探索抓取空间。最终系统以约 23000 次抓取尝试在约 60 小时内学习完成，将现有方案提升一个数量级。对于典型料箱拣选场景，我们测得 96.6% 的抓取成功率。进一步实验表明，该系统能够泛化并将知识迁移至新物体与新环境。
引用
@article{arxiv.1903.00228,
title = {Improving Data Efficiency of Self-supervised Learning for Robotic Grasping},
author = {Lars Berscheid and Thomas Rühr and Torsten Kröger},
journal= {arXiv preprint arXiv:1903.00228},
year = {2019}
}
备注
Accepted for ICRA 2019