基于交互式分割与少样本学习的非专家远程任务导向抓取区域示教

在非结构化环境中运行的机器人必须能够根据预期的操控任务区分不同的抓取方式。拥有一个允许从远程非专家演示中学习的系统，可以非常可行地扩展机器人面向任务抓取的认知技能。我们为此提出了一个新颖的两步框架。第一步通过分割进行抓取区域估计。我们通过交互式分割接收新任务的抓取区域演示，并从这些少量演示中学习，以在给定任务的未见场景上估计所需的抓取区域。第二步是在分割区域内的自主抓取估计。为了训练用于少样本学习的分割网络，我们构建了一个抓取区域分割（GAS）数据集，包含10089张图像，分为1121个分割任务。我们采用一种高效的元学习算法进行少样本自适应训练。实验评估表明，我们的方法能在未见测试场景中的相应物体上成功检测正确的抓取区域，并有效支持非专家远程示教新的抓取策略。