基于近似物理仿真器训练的工业料箱拣选学习方法
机器人学
2018-05-24 v1
摘要
在本研究中，我们解决从随机堆叠的物件堆中拣取物体的问题。由于物体与手指间接触所产生的复杂物理现象使得料箱拣选难以达到高成功率，我们考虑引入基于学习的方法。为了在合理时间内收集足够数量的训练数据，我们引入了在碰撞检测中使用近似处理的物理仿真器。本文中，我们首先利用CNN(卷积神经网络, Convolutional Neural Network)形式化基于学习的机器人料箱拣选问题。我们还利用CNN获得了平行夹爪的最优抓取姿态。最后，我们表明，若使用精确3D模型生成作为CNN输入的堆体深度图像，则碰撞检测中所引入近似的影响可被削弱。
引用
@article{arxiv.1805.08936,
title = {Learning Based Industrial Bin-picking Trained with Approximate Physics Simulator},
author = {Ryo Matsumura and Kensuke Harada and Yukiyasu Domae and Weiwei Wan},
journal= {arXiv preprint arXiv:1805.08936},
year = {2018}
}
备注
This is presented at Int. Conf. on Intelligent Autonomous Systems