从2.5D图像学习抓取：一种深度强化学习方法
机器人学
2019-08-12 v1 机器学习
机器学习
摘要
在本文中，我们提出了一种深度强化学习（DRL）解决方案，利用2.5D图像作为唯一信息来源来解决抓取问题。具体而言，我们开发了一个模拟环境，其中配备真空吸盘的机器人旨在到达具有平面表面的积木。这些积木可以具有不同的尺寸、形状、位置和方向。Unity 3D使我们能够模拟真实世界设置，其中深度相机固定在某一位置，图像流由我们的策略网络用于学习如何解决该任务。我们探索了不同的DRL算法和问题配置。实验证明了所提出的DRL算法应用于由视觉深度相机输入引导的抓取任务的有效性。当使用适当的策略时，所提出的方法估计出机器人工具配置，以可忽略的位置和方向误差到达物体表面。据我们所知，这是首次成功尝试仅使用2.5D图像作为DRL算法的输入，通过回归3D世界坐标来解决抓取问题。
引用
@article{arxiv.1908.03440,
title = {Learning to Grasp from 2.5D images: a Deep Reinforcement Learning Approach},
author = {Alessia Bertugli and Paolo Galeone},
journal= {arXiv preprint arXiv:1908.03440},
year = {2019}
}