从合成数据学习关键点用于机器人布料折叠
机器人学
2022-05-16 v1 人工智能
机器学习
摘要
机器人布料操控因其可变形性而具挑战性，这使得确定其完整状态不可行。然而，对于布料折叠，仅需知道若干语义关键点的位置即可。卷积神经网络（CNN）可用于检测这些关键点，但需要大量标注数据，而收集成本高昂。为克服此问题，我们提出纯粹从合成数据学习这些关键点检测器，从而实现低成本数据收集。本文中，我们程序化生成毛巾图像并用其训练 CNN。我们在单臂机器人设置上评估该检测器用于毛巾折叠的性能，发现抓取与折叠成功率分别为 77% 与 53%。我们得出结论：从合成数据学习布料折叠及相关任务的关键点检测器是一个有前景的研究方向，讨论了一些失败并与未来工作关联。系统视频、代码库、CNN 架构与训练设置的更多细节见 https://github.com/tlpss/workshop-icra-2022-cloth-keypoints.git。
引用
@article{arxiv.2205.06714,
title = {Learning Keypoints from Synthetic Data for Robotic Cloth Folding},
author = {Thomas Lips and Victor-Louis De Gusseme and Francis wyffels},
journal= {arXiv preprint arXiv:2205.06714},
year = {2022}
}
备注
Published on the ICRA 2022 Workshop on Representing and Manipulating Deformable Objects