Kit-Net：面向未知三维物体装入未知三维型腔的自监督学习方法
机器人学
2021-07-14 v1 人工智能
计算机视觉与模式识别
摘要
在工业零件套装（kitting）中，三维物体被插入型腔中以便运输或后续装配。套装是关键步骤，因为它能减少下游处理和搬运时间，并降低存储与运输成本。我们提出 Kit-Net，一个用于将此前未见过的三维物体装入型腔的框架，其输入为深度图像：目标型腔的深度图像，以及由夹爪以未知初始姿态夹持的物体的深度图像。Kit-Net 使用自监督深度学习和数据增强来训练一个卷积神经网络（CNN），利用大规模模拟深度图像对训练集，鲁棒地估计物体与匹配凹形或凸形型腔之间的三维旋转。随后，Kit-Net 使用该训练好的 CNN 实现控制器，对新物体进行定向与定位以插入新的棱柱形和贴合式三维型腔。仿真实验表明，Kit-Net 能使物体网格与目标型腔网格的平均交并体积达到 98.9%。使用基线方法的工业物体实体实验成功率为 18%，而使用 Kit-Net 的成功率为 63%。视频、代码和数据可在 https://github.com/BerkeleyAutomation/Kit-Net 获取。
引用
@article{arxiv.2107.05789,
title = {Kit-Net: Self-Supervised Learning to Kit Novel 3D Objects into Novel 3D Cavities},
author = {Shivin Devgon and Jeffrey Ichnowski and Michael Danielczuk and Daniel S. Brown and Ashwin Balakrishna and Shirin Joshi and Eduardo M. C. Rocha and Eugen Solowjow and Ken Goldberg},
journal= {arXiv preprint arXiv:2107.05789},
year = {2021}
}