基于生成对抗网络的机器人半监督触觉材料识别
机器人学
2017-10-30 v2 机器学习
机器学习
摘要
材料识别使机器人能够将材料属性的知识融入其与日常物体的交互中。例如，材料识别为与机器人更清晰的交流提供了机会，如“给我拿金属咖啡杯”，且在使用微波炉或烤箱时识别塑料与金属至关重要。然而，利用机器人收集有标签训练数据通常比无标签数据更困难。我们提出一种用于材料识别的半监督学习方法，该方法利用生成对抗网络（GANs）并结合力、温度和振动等触觉特征。我们的方法取得了最先进的成果，并使机器人在 92% 的训练数据无标签时，能以约 90% 的准确率估计日常物体的材料类别。我们探究了该方法识别新物体材料的性能，并讨论了泛化面临的挑战。为激励从无标签训练数据中学习，我们还将其结果与几种常见监督学习分类器进行比较。此外，我们发布了用于本工作的数据集，该数据集包含来自机器人与 72 个日常物体进行数千次交互的时间序列触觉测量。
引用
@article{arxiv.1707.02796,
title = {Semi-Supervised Haptic Material Recognition for Robots using Generative Adversarial Networks},
author = {Zackory Erickson and Sonia Chernova and Charles C. Kemp},
journal= {arXiv preprint arXiv:1707.02796},
year = {2017}
}
备注
11 pages, 6 figures, 6 tables, 1st Conference on Robot Learning (CoRL 2017)