用于触觉定位的贝叶斯滤波模型学习
机器人学
2020-11-12 v1
摘要
对机械臂夹持器位姿的定位与跟踪是操作任务的必备能力。然而，具有不精确运动学模型（如低成本机械臂）或具有未知世界坐标（如相机-机械臂标定不佳）的机械臂无法相对于世界定位夹持器。在此情形下，我们可以利用夹持器与环境之间的触觉反馈。本文提出可学习的贝叶斯滤波模型，利用触觉反馈对机械臂夹持器进行定位。我们提出了一种新颖的观测模型，其将触觉反馈建立在环境视觉地图之上，并结合运动模型递归估计夹持器位置。我们的模型在仿真中以自监督方式训练并迁移至真实世界。我们的方法在一个桌面定位任务上进行了评估，其中夹持器与物体交互。我们报告了在仿真与真实机器人上的结果，并对不同尺寸、形状与配置的物体具有泛化能力。
引用
@article{arxiv.2011.05559,
title = {Learning Bayes Filter Models for Tactile Localization},
author = {Tarik Kelestemur and Colin Keil and John P. Whitney and Robert Platt and Taskin Padir},
journal= {arXiv preprint arXiv:2011.05559},
year = {2020}
}
备注
Accepted in IROS2020