以更少监督学习抓取：一种数据高效的最大似然抓取采样损失
机器人学
2022-04-06 v2
摘要
针对多样化物体集的机器人抓取在许多机器人操作任务中至关重要。一种有前景的方法是从大规模物体图像与抓取标签训练数据集中学习深度抓取模型。然而，经验抓取数据集通常标注稀疏（即每幅图像中少量成功抓取标签）。这种数据稀疏问题会导致监督不足与假阴性标签，从而造成较差的学习结果。本文提出一种最大似然抓取采样损失（MLGSL）以解决数据稀疏问题。所提方法假设成功抓取是从预测的抓取分布中随机采样得到，并最大化观测似然。MLGSL用于训练一个全卷积网络，该网络同时生成数千个抓取。训练结果表明，基于MLGSL的模型可使用每幅图像仅含2个标签的数据集学习抓取。相较需要每幅图像16个标签训练数据集的已有工作，MLGSL的数据效率高出8倍。同时，物理机器人实验在 household 物体上以90.7%的抓取成功率展示了等同的性能。
关键词
引用
@article{arxiv.2110.01379,
title = {Learn to Grasp with Less Supervision: A Data-Efficient Maximum Likelihood Grasp Sampling Loss},
author = {Xinghao Zhu and Yefan Zhou and Yongxiang Fan and Lingfeng Sun and Jianyu Chen and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2110.01379},
year = {2022}
}
备注
Accepted to ICRA 2022