面向人机交互中安全抓取的质量导向主动对抗策略
机器人学
2025-03-26 v1
摘要
基于深度神经网络(DNNs)的视觉引导机器人抓取方法在处理未知物体方面取得了显著成功,这得益于其强大的泛化能力。然而,具有这种泛化能力的方法倾向于将人手及其邻近物体识别为可抓取目标,从而危及人机交互(HRI)过程中的安全性。在本工作中,我们提出质量导向主动对抗策略(QFAAP)以解决该问题。具体而言,第一部分为对抗质量补丁(AQP),其中我们设计了对抗质量补丁损失,并利用抓取数据集优化出具有高质量分数的补丁。随后,我们构建了投影质量梯度下降(PQGD)并将其与 AQP 集成,其中 AQP 仅包含每个实时帧中的人手区域,从而使 AQP 能够快速适应人手形状。通过 AQP 与 PQGD,人手可对其周围物体进行主动对抗,降低其质量分数。因此,进一步将人手的质量分数设为零,将同时降低人手及其邻近物体的抓取优先级,使机器人能够在不紧急停止的情况下抓取远离人手的其他物体。我们在基准数据集和协作机器人上进行了大量实验,验证了 QFAAP 的有效性。代码与演示视频见:https://github.com/clee-jaist/QFAAP。
引用
@article{arxiv.2503.19397,
title = {Quality-focused Active Adversarial Policy for Safe Grasping in Human-Robot Interaction},
author = {Chenghao Li and Razvan Beuran and Nak Young Chong},
journal= {arXiv preprint arXiv:2503.19397},
year = {2025}
}