面向亚马逊抓取挑战赛的6D位姿估计多视图自监督深度学习
计算机视觉与模式识别
2017-05-09 v3 机器学习
机器人学
摘要
近年来，机器人仓库自动化引起了广泛关注，其中最引人注目的或许是亚马逊抓取挑战赛（APC）。一个完全自主的仓库拾取与放置系统需要鲁棒的视觉能力，能够在杂乱环境、自遮挡、传感器噪声以及物体种类繁多的情况下可靠地识别和定位物体。本文提出了一种利用多视图RGB-D数据和自监督、数据驱动学习来克服这些困难的方法。该方法属于MIT-Princeton团队系统的一部分，该系统在APC 2016的堆垛和拾取任务中分别获得了第三和第四名。在所提出的方法中，我们使用全卷积神经网络对场景的多个视图进行分割和标记，然后将预扫描的3D物体模型拟合到所得分割结果上，以获得物体的6D位姿。训练用于分割的深度神经网络通常需要大量训练数据。我们提出了一种自监督方法，无需繁琐的人工分割即可生成大规模标记数据集。我们证明，我们的系统能够在多种场景下可靠地估计物体的6D位姿。所有代码、数据和基准测试均可在 http://apc.cs.princeton.edu/ 获取。
引用
@article{arxiv.1609.09475,
title = {Multi-view Self-supervised Deep Learning for 6D Pose Estimation in the Amazon Picking Challenge},
author = {Andy Zeng and Kuan-Ting Yu and Shuran Song and Daniel Suo and Ed Walker and Alberto Rodriguez and Jianxiong Xiao},
journal= {arXiv preprint arXiv:1609.09475},
year = {2017}
}
备注
To appear at the International Conference on Robotics and Automation (ICRA) 2017. Project webpage: http://apc.cs.princeton.edu/