面向工业机器人应用利用最优描述子监督训练密集物体网
机器人学
2021-02-17 v1 计算机视觉与模式识别
摘要
Florence、Manuelli 和 Tedrake (2018) 提出的密集物体网（DONs）将密集物体描述子作为面向机器人界的新颖视觉物体表示引入。它适用于许多应用，包括物体抓取、策略学习等。DONs 将描绘物体的 RGB 图像映射为描述子空间图像，其隐式编码了物体相对于相机位姿不变的关键特征。令人印象深刻的是，DONs 的自监督训练可应用于任意物体，并能在数小时内完成评估与部署。然而，该训练方法依赖精确的深度图像，并在使用消费级深度相机时面临工业环境中典型的小尺寸、反光物体的挑战。本文中我们表明，给定物体的 3D 模型，我们可以生成其描述子空间图像，从而实现 DONs 的监督训练。我们依赖拉普拉斯特征映射（LE）将物体的 3D 模型嵌入到最优生成的空间中。尽管我们的方法使用了更多领域知识，但由于不依赖深度信息，它甚至可高效应用于更小和反光物体。我们在工业物体生成 6D 抓取上比较了训练方法，并表明我们新颖的监督训练方法提升了工业相关任务中的拾放性能。
引用
@article{arxiv.2102.08096,
title = {Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications},
author = {Andras Kupcsik and Markus Spies and Alexander Klein and Marco Todescato and Nicolai Waniek and Philipp Schillinger and Mathias Buerger},
journal= {arXiv preprint arXiv:2102.08096},
year = {2021}
}