利用旋转变换自监督学习定向新颖三维物体
机器人学
2021-06-01 v1 计算机视觉与模式识别
摘要
物体定向是许多包装与装配任务自动化的关键组成部分。我们提出一种给定物体当前与期望朝向深度图像来定向新颖物体的算法。我们为此问题构建了自监督目标，并训练深度神经网络来估计以四元数参数化的当前与期望深度图像间的三维旋转。随后，我们在比例控制器中使用训练好的网络，基于两幅深度图像间估计的旋转来重新定向物体。结果表明，在仿真中，对于 22 个新颖物体各 100 个随机初始/期望朝向，我们可将具有未知几何形状未见过的物体旋转至多 30{\deg}，中位角度误差为 1.47{\deg}。在实物物体上的实验表明，对于 5 个物体各 10 个随机初始/期望朝向，该控制器可达到 4.2{\deg} 的中位角度误差。
引用
@article{arxiv.2105.14246,
title = {Orienting Novel 3D Objects Using Self-Supervised Learning of Rotation Transforms},
author = {Shivin Devgon and Jeffrey Ichnowski and Ashwin Balakrishna and Harry Zhang and Ken Goldberg},
journal= {arXiv preprint arXiv:2105.14246},
year = {2021}
}