基于集成光谱学的新型夹爪设计实现抓取前物体材料分类
机器人学
2022-07-05 v1
摘要
机器人若能依据材料特性对交互或操控的物体进行分类将受益匪浅。该能力可通过恰当选择抓取姿态与力来确保对复杂物体的精细操控。已有工作聚焦于在抓取时通过触觉或视觉处理来确定材料类型。本文中，我们介绍一种新型平行机器人夹爪设计，以及一种从夹爪手指内部采集光谱读数与视觉图像的方法。我们训练了一个非线性支持向量机（SVM），能够通过递归估计对即将被抓取物体的材料进行分类，且随着指尖到物体距离的减小置信度不断提升。为验证硬件设计与分类方法，我们从16种真实与仿制水果（由聚苯乙烯/塑料制成）中采集样本，构建了一个包含光谱曲线、场景图像和高分辨率纹理图像的数据集，记录物体被抓取、抬起和释放的过程。我们的建模方法在32类决策问题中分类准确率达96.4%，相较区分视觉相似材料的最先进计算机视觉算法性能提升29.4%。与已有工作不同，我们的递归估计模型考虑了光谱信号强度的增加，并允许在夹爪接近物体时做出决策。我们得出结论：光谱学是一种有前景的感知模态，能使机器人不仅对抓取物体分类，还能理解其底层材料组成。
引用
@article{arxiv.2207.00942,
title = {Pregrasp Object Material Classification by a Novel Gripper Design with Integrated Spectroscopy},
author = {Nathaniel Hanson and Tarik Kelestemur and Deniz Erdogmus and Taskin Padir},
journal= {arXiv preprint arXiv:2207.00942},
year = {2022}
}