伪标记与上下文课程学习：机器人料箱拣选中的在线抓取学习
机器人学
2024-03-06 v1 人工智能
摘要
主流的抓取预测方法主要依赖离线学习，忽略了在实时适应新拣选场景（可能涉及未见过的物体、相机视角变化、料箱配置等）时发生的动态抓取学习。本文提出了一种新颖的方法SSL-ConvSAC，它结合了半监督学习和强化学习用于在线抓取学习。通过将有奖励反馈的像素视为标记数据，其他像素视为未标记数据，该方法有效利用未标记数据来增强学习。此外，我们通过提出一种基于上下文课程的方法来解决标记和未标记数据之间的不平衡。我们在真实世界评估数据上对提出的方法进行了消融实验，并展示了在使用带有吸盘夹持器的物理7自由度Franka Emika机器人手臂的料箱拣选任务中改善在线抓取学习的潜力。视频：https://youtu.be/OAro5pg8I9U
引用
@article{arxiv.2403.02495,
title = {Pseudo-Labeling and Contextual Curriculum Learning for Online Grasp Learning in Robotic Bin Picking},
author = {Huy Le and Philipp Schillinger and Miroslav Gabriel and Alexander Qualmann and Ngo Anh Vien},
journal= {arXiv preprint arXiv:2403.02495},
year = {2024}
}
备注
Accepted to ICRA 2024