利用深度学习回归模型预测物体抓取与操纵的最大允许工艺力
机器人学
2024-10-01 v1
摘要
在制造过程中的处理操作执行期间，由于最先进的夹持器系统通常缺乏集成传感器，因此难以测量工艺力。因此，被抓取物体的确切状态以及在操纵和处理过程中的致动工艺力是未知的。本文提出了一种深度学习回归模型，利用高分辨率光学触觉传感器构建连续稳定性指标，以预测被抓取物体上的最大工艺力。我们开发了一项拉拔实验以获取用于训练的有效数据集。采集了工业齿轮箱部件在不同抓取位置下的连续力标记触觉图像对，以训练一种受编码器 - 解码器架构启发的新型神经网络。我们使用 ResNet-18 模型进行比较。两种模型均能以小于 1 N 的精度预测每个物体的最大工艺力。在验证过程中，展示了所提方法对于未知物体的泛化潜力，其准确度分别为 0.4-2.1 N，精度分别为 1.7-3.4 N。
引用
@article{arxiv.2402.11412,
title = {Predicting Maximum Permitted Process Forces for Object Grasping and Manipulation Using a Deep Learning Regression Model},
author = {S. Wucherer and R. McMurray and K. Y. Ng and F. Kerber},
journal= {arXiv preprint arXiv:2402.11412},
year = {2024}
}
备注
6 pages, 4 figures, 3 tables, to be submitted as a conference paper to IEEE CCTA2024