ScrewNet：基于螺旋理论从深度图像进行类别无关的关节模型估计
机器人学
2021-07-21 v3 人工智能
摘要
在人类环境中的机器人需要与人协助完成日常任务时，与诸如橱柜、抽屉和洗碗机等多种铰接物体交互。现有方法要么要求物体有纹理，要么需要事先知道关节模型类别以估计铰接物体的模型参数。我们提出 ScrewNet，一种直接从深度图像估计物体关节模型而无需事先知道关节模型类别的新方法。ScrewNet 使用螺旋理论统一不同关节类型的表示并执行类别无关的关节模型估计。我们在两个基准数据集上评估了我们的方法，并将其性能与当前最先进方法进行比较。结果表明，ScrewNet 能成功估计跨关节模型类别的新物体的关节模型及其参数，且平均精度优于先前最先进方法。项目网页：https://pearl-utexas.github.io/ScrewNet/
引用
@article{arxiv.2008.10518,
title = {ScrewNet: Category-Independent Articulation Model Estimation From Depth Images Using Screw Theory},
author = {Ajinkya Jain and Rudolf Lioutikov and Caleb Chuck and Scott Niekum},
journal= {arXiv preprint arXiv:2008.10518},
year = {2021}
}
备注
Presented at ICRA'21. Project webpage: https://pearl-utexas.github.io/ScrewNet/