多指主动抓取学习
机器人学
2020-08-04 v2
摘要
基于学习的抓取规划方法优于解析方法，因为它们能更好地泛化到新的、部分被观测的物体。然而，数据收集仍是抓取学习方法最大的瓶颈之一，特别是对于多指手。手部相对高维的配置空间与日常生活中常见物体的多样性相结合，需要大量样本才能产生鲁棒且置信度高的抓取成功分类器。在本文中，我们提出首个主动深度学习抓取方法，以统一的方式在抓取配置空间和分类器置信度上进行搜索。我们的方法基于近期将多指抓取规划作为带学习神经网络似然函数的概率推断所取得的成功。我们将其嵌入到样本选择的多臂老虎机公式中。我们表明，我们的主动抓取学习方法使用更少的训练样本，即可产生与由解析规划器生成的抓取数据训练得到的被动监督学习方法相当的抓取成功率。我们还进一步表明，主动学习器生成的抓取在形状上具有更大的定性与定量多样性。
引用
@article{arxiv.2006.05264,
title = {Multi-Fingered Active Grasp Learning},
author = {Qingkai Lu and Mark Van der Merwe and Tucker Hermans},
journal= {arXiv preprint arXiv:2006.05264},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:2001.09242