基于推送提议网络学习物体分离
机器人学
2018-02-06 v2 机器学习
神经与进化计算
摘要
在非结构化环境（如杂乱的物体堆）中学习行动，对操作机器人构成了重大挑战。我们提出了一种新颖的基于神经网络的方法，通过选择有利的推送动作来分离杂乱环境中的未知物体。我们的网络通过 PR2 机器人与随机摆放的桌面场景进行自主交互所收集的数据进行训练。该模型旨在基于过分割的 RGB-D 图像提出有意义的推送动作。我们通过在杂乱环境中分离多达 8 个未知物体来评估我们的方法。我们证明，该方法使机器人能够以高成功率和较少的所需推送动作次数完成任务。我们基于真实世界实验的结果表明，我们的网络能够泛化到各种尺寸和形状的新物体，以及任意的物体配置。我们的实验视频可在 http://robotpush.cs.uni-freiburg.de 查看。
引用
@article{arxiv.1707.08101,
title = {Learning to Singulate Objects using a Push Proposal Network},
author = {Andreas Eitel and Nico Hauff and Wolfram Burgard},
journal= {arXiv preprint arXiv:1707.08101},
year = {2018}
}
备注
International Symposium on Robotics Research (ISRR) 2017, videos: http://robotpush.cs.uni-freiburg.de