KETO：面向工具操作的关节点表示学习
机器人学
2019-10-31 v2
摘要
我们旨在开发一种算法，使机器人能够将新颖物体作为工具来操作以完成不同的任务目标。高效且信息丰富的表示有助于提升此类算法的有效性与泛化能力。为此，我们提出 KETO，一种学习基于工具操作的关节点表示的框架。对于每个任务，一组任务特定的关节点由深度神经网络从工具物体的三维点云中联合预测。这些关节点提供了对物体的简洁且信息丰富的描述，用以确定抓取及后续操作动作。该模型通过任务环境中的自监督机器人交互学习，无需显式人工标注。我们在三项使用工具的操作任务中评估了我们的框架。我们的模型在任务成功率方面持续优于最先进的方法。关节点预测与工具生成的定性结果被展示出来以可视化所学表示。
引用
@article{arxiv.1910.11977,
title = {KETO: Learning Keypoint Representations for Tool Manipulation},
author = {Zengyi Qin and Kuan Fang and Yuke Zhu and Li Fei-Fei and Silvio Savarese},
journal= {arXiv preprint arXiv:1910.11977},
year = {2019}
}