形状补全赋能的机器人抓取
机器人学
2017-03-03 v2
摘要
本工作提供了一种通过形状补全来实现机器人抓取规划的架构。形状补全通过使用 3D 卷积神经网络 (CNN) 来完成。该网络在我们自己新建的包含超过 440,000 个从不同视角捕获的 3D 样本的开源数据集上进行训练。在运行时，从单一视角捕获的 2.5D 点云被输入到 CNN 中，由其填补场景的遮挡区域，从而允许在补全的物体上规划和执行抓取。运行时形状补全非常迅速，因为形状补全的大部分计算开销已在离线训练期间承担。我们探讨了补全质量如何基于多种因素而变化。这些因素包括被补全的物体是否存在于训练数据中，以及有多少物体模型被用于训练网络。我们还考察了网络对新颖物体的泛化能力，使得系统能够在运行时补全以前未见过的物体。最后，在仿真和实际机器人硬件上均进行了实验，以探索补全质量与补全网格模型对抓取的效用之间的关系。
引用
@article{arxiv.1609.08546,
title = {Shape Completion Enabled Robotic Grasping},
author = {Jacob Varley and Chad DeChant and Adam Richardson and Joaquín Ruales and Peter Allen},
journal= {arXiv preprint arXiv:1609.08546},
year = {2017}
}
备注
Under review at IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS) 2017