机械臂图像基视觉 servoing 的关键点检测技术
机器人学
2024-09-23 v1
摘要
本文提出一种基于卷积神经网络（CNN）的创新性关键点检测技术，以增强现有深度视觉 servoing（DVS）模型的性能。为验证图像基视觉 servoing（IBVS）算法的收敛性，首先进行了利用 fiducial 标记进行特征检测的实际实验。在设计CNN基特征检测器之前进行实验，以解决fiducial 标记的局限性。该新型特征检测器聚焦于提取代表更真实物体角落的关键点。生成来自安装在机器人末端执行器上的摄像机捕获的样本数据，机器人在任务空间中随机运动。样本自动标记，并通过翻转和旋转增加数据集大小。开发CNN模型时修改了在ImageNet数据集上预训练的VGG-19模型。虽然基本模型的权重保持固定，但更新全连接层的权重以最小化均值绝对误差，该误差基于预测值与实际像素坐标偏差。该模型进行了两项修改：用平均池化替换最大池化于基本模型中，并实现一种在各个时期中逐渐降低的自适应学习率。这些变化导致验证损失降低50%。最后通过k折交叉验证评估了训练好的模型的可靠性。
引用
@article{arxiv.2409.13668,
title = {Keypoint Detection Technique for Image-Based Visual Servoing of Manipulators},
author = {Niloufar Amiri and Guanghui Wang and Farrokh Janabi-Sharifi},
journal= {arXiv preprint arXiv:2409.13668},
year = {2024}
}
备注
Accepted for presentation at the IEEE International Conference on Automation Science and Engineering (CASE 2024)