合成数据实现杂乱环境中多物体抓取的快速标注与鲁棒分割
计算机视觉与模式识别
2024-01-25 v1 机器人学
摘要
在机器人抓取中，物体识别与物体位姿估计仍然是重大挑战，因为在数据收集和标注方面构建带标签的数据集可能既耗时又昂贵。在本工作中，我们提出了一种合成数据生成方法，该方法通过将生成的合成数据集与较小的真实世界数据集相结合（混合数据集），最小化人工干预并使下游图像分割算法更加鲁棒。标注实验表明，所提出的合成场景生成能够大幅减少标注时间。使用混合数据集训练 RGB 图像分割，并结合深度信息以生成单个分割物体的像素到点对应关系。随后，通过分割算法的置信度分数来确定要抓取的物体。拾取与放置实验表明，在混合数据集上训练的分割（98.9%，70%）在标注和抓取成功率上分别比真实数据集和公开可用数据集高出（6.7%，18.8%）和（2.8%，10%）。补充材料可在 https://sites.google.com/view/synthetic-dataset-generation 获取。
引用
@article{arxiv.2401.13405,
title = {Synthetic data enables faster annotation and robust segmentation for multi-object grasping in clutter},
author = {Dongmyoung Lee and Wei Chen and Nicolas Rojas},
journal= {arXiv preprint arXiv:2401.13405},
year = {2024}
}
备注
Accepted for 2024 10th International Conference on Mechatronics and Robotics Engineering (ICMRE)