用于减少机器人料箱拣选顺序失败的非马尔可夫策略
机器人学
2020-07-22 v1 人工智能
摘要
使用深度学习的新一代自动化料箱拣选系统正不断发展以满足电子商务增长的需求。为适配种类繁多的产品，许多自动化系统包含多种夹持器类型和/或工具快换装置。然而，对于某些物体，顺序抓取失败十分常见：当计算出的抓取未能抬起并移除物体时，料箱往往保持原状；由于传感器输入一致，系统会反复重试同一抓取，导致每小时平均成功拣选数（MPPH）显著下降。基于针对顺序失败的实证研究，我们刻画了一类“顺序失败物体”（SFOs）——即基于一种新颖分类法易于发生顺序失败的对象。随后我们提出三种非马尔可夫拣选策略，其融入对过往失败的记忆以修改后续动作。在 SFO 模型与 EGAD 数据集上的仿真实验表明，非马尔可夫策略在顺序失败率和 MPPH 方面显著优于马尔可夫策略。在 50 堆各含 12 个 SFO 的物理实验中，最有效的非马尔可夫策略相较 Dex-Net 马尔可夫策略将 MPPH 提升了 107%。
引用
@article{arxiv.2007.10420,
title = {Non-Markov Policies to Reduce Sequential Failures in Robot Bin Picking},
author = {Kate Sanders and Michael Danielczuk and Jeffrey Mahler and Ajay Tanwani and Ken Goldberg},
journal= {arXiv preprint arXiv:2007.10420},
year = {2020}
}
备注
2020 IEEE International Conference on Automation Science and Engineering (CASE)