通过在线域适应实现真实场景下的分拣装配

技术发展要求机器人具备更强的感知与行动能力。除其他技能外，还需要能够适应工作条件任何可能变化的视觉系统。由于这些条件不可预测，我们需要能够评估视觉识别算法泛化与鲁棒性的基准。本工作关注非受限场景中的机器人分拣装配（kitting）。作为首要贡献，我们提出了一个用于分拣装配任务的新视觉数据集。与标准物体识别数据集不同，我们提供了在相同物体于相机、光照和背景均改变的各种条件下采集的图像。该新颖数据集允许测试机器人视觉识别算法对一系列不同域偏移的鲁棒性，既可单独测试也可统一测试。我们的第二个贡献是一种基于批归一化（batch-normalization）层的深度模型在线适应算法，其可连续将模型适应至当前工作条件。与标准域适应算法不同，它在训练时不需要来自目标域的任何图像。我们在所提出的数据集上对该算法进行基准测试，展示了其填补标准架构与针对给定目标域离线适应的对应架构之间性能差距的能力。