LEGS：用于探索性抓取的学习高效抓取集
机器人学
2022-03-03 v2
摘要
虽然深度学习在通用机器人抓取系统设计方面取得了显著进展，但仍有一些物体对这些系统构成挑战。最近关于探索性抓取的研究将系统性地在这些对抗性物体上探索抓取的问题形式化，并探索了多臂老虎机模型，以在每个物体的稳定姿态上识别高质量抓取。然而，这些系统仍局限于在每个物体上探索少量抓取。我们提出了学习高效抓取集，这是一种通过维护有前景抓取的小型主动集，并确定何时可以高置信度停止探索该物体，从而高效探索数千种可能抓取的算法。实验表明，与不使用主动集的先前算法相比，LEGS 能更高效地识别高质量抓取。在仿真实验中，我们测量了 LEGS、基线方法识别的最佳抓取与最鲁棒抓取（验证过的真值）之间成功率的差距。经过 3000 次探索步骤后，LEGS 在 Dex-Net Adversarial 和 EGAD! 数据集上分别在 10/14 和 25/39 个物体上优于基线算法。随后我们在物理实验中评估了 LEGS；在 3 个具有挑战性的物体上的试验表明，LEGS 收敛到高性能抓取的速度明显快于基线方法。补充材料和视频请见 https://sites.google.com/view/legs-exp-grasping。
引用
@article{arxiv.2111.15002,
title = {LEGS: Learning Efficient Grasp Sets for Exploratory Grasping},
author = {Letian Fu and Michael Danielczuk and Ashwin Balakrishna and Daniel S. Brown and Jeffrey Ichnowski and Eugen Solowjow and Ken Goldberg},
journal= {arXiv preprint arXiv:2111.15002},
year = {2022}
}
备注
Proceedings of 2022 IEEE International Conference on Robotics and Automation. Philadelphia, PA. May, 2022