为新颖物体灵巧单视角抓取学习更优生成模型
机器人学
2019-07-16 v1 计算机视觉与模式识别
机器学习
摘要
本文关注如何学习灵巧抓取，以便能够抓取仅从单一视角观察到的新颖物体。近来，在数据高效的生成式抓取模型学习方面取得了进展，此类模型能很好地迁移到新颖物体。这些生成式抓取模型从示范中学习（LfD）。一个弱点是，正如本文将展示的，在具有挑战性的单视角条件下的抓取迁移并不可靠。其次，生成模型元素的数量随训练样例数量线性增长。这进而限制了这些生成模型在泛化与持续改进方面的潜力。本文展示了如何解决这些问题。我们作出了若干技术贡献：(i) 基于视角的抓取模型；(ii) 组合与压缩多个抓取模型的方法；(iii) 一种新的接触评估方式，用于生成与评分抓取。这些共同改善了抓取性能并减少了为抓取迁移所学习的模型数量。这些进展也进而允许引入自主训练，即机器人从自生成的抓取中学习。在具有挑战性的测试集上的评估表明，部署创新 (i)-(iii) 后，抓取迁移成功率从 55.1% 升至 81.6%。加入自主训练后升至 87.8%。这些差异具有统计显著性。总体而言，在所有实验中，在真实物体上执行了 539 次测试抓取。
引用
@article{arxiv.1907.06053,
title = {Learning better generative models for dexterous, single-view grasping of novel objects},
author = {Marek Kopicki and Dominik Belter and Jeremy L. Wyatt},
journal= {arXiv preprint arXiv:1907.06053},
year = {2019}
}
备注
19 pages, 15 figures, 7 tables