通过深度几何感知三维表示学习六自由度抓取交互
机器人学
2018-06-18 v4 人工智能
计算机视觉与模式识别
机器学习
摘要
本文关注在仿真环境中学习使用平行夹爪进行 6-DOF 抓取的问题。基于三维几何知识是交互的核心这一假设，我们提出了抓取中几何感知表示的概念。我们的核心思想是通过三维几何预测来约束和正则化抓取交互学习。具体而言，我们将深度几何感知抓取模型的学习分为两步：首先，我们通过生成式三维形状建模从 RGBD 输入重建场景（即三维占据网格），学习构建心智几何感知表示；其次，我们学习利用其内部几何感知表示来预测抓取结果。学习到的结果预测模型用于通过综合分析优化依次提出抓取方案。我们的贡献有四个方面：(1) 据我们所知，我们首次提出了一种从 RGBD 输入学习 6-DOF 抓取网络的方法；(2) 我们利用虚拟现实中的演示构建了一个包含丰富传感与交互标注的抓取数据集。该数据集包含跨越 7 个类别的 101 个日常物品，此外，我们还提出了一种用于有效学习的数据增强策略；(3) 我们证明了学习到的几何感知表示在抓取我们数据集中的物体时，相较于基线 CNN 带来了约 10% 的相对性能提升；(4) 我们进一步证明了该模型能够泛化到新视角和新物体实例。
引用
@article{arxiv.1708.07303,
title = {Learning 6-DOF Grasping Interaction via Deep Geometry-aware 3D Representations},
author = {Xinchen Yan and Jasmine Hsu and Mohi Khansari and Yunfei Bai and Arkanath Pathak and Abhinav Gupta and James Davidson and Honglak Lee},
journal= {arXiv preprint arXiv:1708.07303},
year = {2018}
}
备注
Published at ICRA 2018