基于迭代自训练的模拟到真实六维物体位姿估计及其在机器人料箱拣选中的应用
机器人学
2022-07-22 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
本文提出一种用于模拟到真实六维物体位姿估计的迭代自训练框架，以促进高性价比的机器人抓取。给定料箱拣选场景，我们建立照片级真实感模拟器以合成大量虚拟数据，并用以训练初始位姿估计网络。该网络随后充当教师模型，对无标注真实数据生成位姿预测。基于这些预测，我们进一步设计一套综合自适应筛选方案以甄别可靠结果，并将其作为伪标签来更新用于真实数据位姿估计的学生模型。为持续提升伪标签质量，我们将训练好的学生模型作为新教师并以其重标真实数据，迭代上述步骤。我们在公开基准与新发布的数据集上评估了方法，分别取得 11.49% 与 22.62% 的 ADD(-S) 提升。我们的方法亦能将机器人料箱拣选成功率提升 19.54%，展示了迭代式模拟到真实方案在机器人应用中的潜力。
引用
@article{arxiv.2204.07049,
title = {Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for Robotic Bin Picking},
author = {Kai Chen and Rui Cao and Stephen James and Yichuan Li and Yun-Hui Liu and Pieter Abbeel and Qi Dou},
journal= {arXiv preprint arXiv:2204.07049},
year = {2022}
}
备注
Accepted to ECCV 2022