通过多任务学习与位置损失改进基于单目图像的机器人抓取
机器人学
2020-11-06 v1 计算机视觉与模式识别
摘要
在本文中，我们介绍了两种在端到端 CNN 架构中从单目彩色图像改进实时物体抓取性能的方法。第一种是在模型训练期间增加辅助任务（多任务学习）。我们的多任务 CNN 模型在执行补充深度重建任务时，在大型 Jacquard 抓取数据集上将抓取性能从 72.04% 的基线平均值提升至 78.14%。第二种是引入位置损失函数，该函数仅在对物体上可成功抓取的点处强调次要参数（夹爪角度与宽度）的逐像素损失。这将性能从 72.04% 的基线平均值提升至 78.92%，并减少了所需训练轮数。这些方法也可协同使用，从而将性能进一步提升至 79.12%，同时保持足够的推理速度以支持实时抓取处理。
引用
@article{arxiv.2011.02888,
title = {Improving Robotic Grasping on Monocular Images Via Multi-Task Learning and Positional Loss},
author = {William Prew and Toby Breckon and Magnus Bordewich and Ulrik Beierholm},
journal= {arXiv preprint arXiv:2011.02888},
year = {2020}
}
备注
8 pages, 6 figures, Accepted at the International Conference on Pattern Recognition 2020 (ICPR)