利用 SPARE（模拟与物理可关节扩展数据集）学习运动学描述
计算机视觉与模式识别
2018-03-30 v1 机器人学
摘要
下一代机器人将需要在人类环境中协作时理解复杂且可关节的物体。为此，这些机器人需要超越其当前能力——以任务无关的方式处理相对简单的物体——迈向更 sophisticated 的能力，动态估计复杂可关节物体的属性。为此，我们在本文中针对通用可关节（物理）物体理解做出两项引人注目的贡献。首先，我们引入一个新数据集 SPARE：Simulated and Physical ARticulated Extendable dataset（模拟与物理可关节扩展数据集）。SPARE 是一个可扩展的开源数据集，提供可关节物体（运动学链）的等效模拟和物理实例，为更广泛的研究社区提供用于生成可关节物体运动学描述方法的训练和评估工具。据我们所知，这是视觉社区的第一个联合视觉与物理（可 3D 打印）数据集。其次，我们提出一个深度神经网络，可以预测可关节物体的链接数量和链接长度。这些新思路优于理解运动学链的经典方法，例如基于跟踪的方法，后者在遮挡情况下失效且未利用可用的多视图。
引用
@article{arxiv.1803.11147,
title = {Learning Kinematic Descriptions using SPARE: Simulated and Physical ARticulated Extendable dataset},
author = {Abhishek Venkataraman and Brent Griffin and Jason J. Corso},
journal= {arXiv preprint arXiv:1803.11147},
year = {2018}
}