基于向量量化潜空间表征学习的半监督抓取检测
机器学习
2020-01-31 v3 机器人学
机器学习
摘要
机器人要执行复杂操作任务，必须具备良好的抓取能力。然而，基于视觉的机器人抓取检测受限于标注数据不足。此外，半监督学习技术在抓取检测中的应用尚待探索。本文提出一种基于半监督学习的抓取检测方法，其使用向量量化变分自编码器（VQ-VAE）对离散潜空间建模。据我们所知，这是变分自编码器（VAE）首次应用于机器人抓取检测领域。尽管标注数据有限，VAE 通过同时利用无标注数据，帮助模型泛化到 Cornell Grasping Dataset（CGD）之外。这一论断已通过在 CGD 中未出现的图像上测试模型得到验证。此外，我们将生成式抓取卷积神经网络（GGCNN）架构与 VQ-VAE 模型中使用的解码器结构相结合，直觉上这应有助于在向量量化潜空间中回归。随后，该模型表现显著优于未利用无标注图像改进抓取的现有方法。
引用
@article{arxiv.2001.08477,
title = {Semi-supervised Grasp Detection by Representation Learning in a Vector Quantized Latent Space},
author = {Mridul Mahajan and Tryambak Bhattacharjee and Arya Krishnan and Priya Shukla and G C Nandi},
journal= {arXiv preprint arXiv:2001.08477},
year = {2020}
}