面向物理属性无关物体的元学习重抓取策略
机器人学
2023-09-15 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
由于质量分布和摩擦系数等未知物理属性，在真实应用中抓取非均匀物体仍是一项艰巨任务。在本研究中，我们提出一种称为 ConDex 的元学习算法，它将条件神经过程（CNP）与 DexNet-2.0 相结合，利用深度图像自主辨识物体的潜在物理属性。ConDex 能从有限试验中高效获取物理嵌入，从而实现精确的抓取点估计。此外，ConDex 能够以在线方式从新试验中迭代更新预测的抓取质量。据我们所知，我们是首个生成两个聚焦于具有变化质量分布与摩擦系数的非均匀物理属性物体数据集的工作。在仿真中的大量评估表明，ConDex 优于 DexNet-2.0 和现有的基于元学习的抓取流水线。此外，尽管仅在仿真中训练，ConDex 对先前未见的真实世界物体展现出鲁棒泛化能力。合成与真实世界数据集也将一并发布。
引用
@article{arxiv.2205.11110,
title = {Meta-Learning Regrasping Strategies for Physical-Agnostic Objects},
author = {Ning Gao and Jingyu Zhang and Ruijie Chen and Ngo Anh Vien and Hanna Ziesche and Gerhard Neumann},
journal= {arXiv preprint arXiv:2205.11110},
year = {2023}
}
备注
Accepted as spotlight in ICRA 2022 Workshop: Scaling Robot Learning