利用图像增强学习稠密视觉描述子用于机器人操作任务
机器人学
2022-09-13 v1
摘要
我们提出了一种自监督训练方法，利用图像增强学习视角不变的稠密视觉描述子。与现有工作常需要复杂数据集（如配准的RGBD序列）不同，我们在无序的RGB图像集合上训练。这使得可以从单一相机视角学习，例如，在带有固定安装相机的现有机器人单元中。我们利用数据增强创建合成视角与稠密像素对应关系。我们发现，尽管数据记录与设置要求更简单，我们的描述子仍能与现有方法竞争。我们表明，在合成对应关系上训练可提供更广泛相机视角下描述子的一致性。我们与利用多视角几何对应关系训练的方法进行比较并提供消融研究。我们还展示了一个机器人分拣实验，使用从固定安装相机学习的描述子来定义抓取偏好。
引用
@article{arxiv.2209.05213,
title = {Learning Dense Visual Descriptors using Image Augmentations for Robot Manipulation Tasks},
author = {Christian Graf and David B. Adrian and Joshua Weil and Miroslav Gabriel and Philipp Schillinger and Markus Spies and Heiko Neumann and Andras Kupcsik},
journal= {arXiv preprint arXiv:2209.05213},
year = {2022}
}
备注
20 pages, 14 figures