CoSTAR积木堆叠数据集:在工作空间约束下学习
机器人学
2019-03-14 v2 人工智能
计算机视觉与模式识别
机器学习
神经与进化计算
摘要
机器人如今抓取物体的有效性前所未有,但一旦抓到物体,接下来该怎么办?我们表明,对现有物体抓取数据集中隐含的任务与工作空间约束的轻微放宽,会导致基于神经网络的抓取算法在更真实环境下执行即便是简单的积木堆叠任务时失败。为此,我们引入了JHU CoSTAR积木堆叠数据集(BSD),其中机器人操控5.1 cm的彩色积木以完成订单式积木堆叠任务。它包含动态场景与实时序列数据,环境约束少于同类数据集。该数据集包含近12,000次堆叠尝试与超过200万帧真实数据。我们讨论了该数据集如何为广泛的其他研究主题提供宝贵资源。我们发现,在先前数据集上有效的手工设计神经网络无法泛化至该任务。因此,为建立该数据集的基线,我们展示了使用一种新颖多输入HyperTree元模型对基于神经网络的模型进行自动搜索,并找到了一个最终模型,可对我们的数据集上的抓取与堆叠作出合理的三维姿态预测。CoSTAR BSD、代码与使用说明可在 https://sites.google.com/site/costardataset 获取。
引用
@article{arxiv.1810.11714,
title = {The CoSTAR Block Stacking Dataset: Learning with Workspace Constraints},
author = {Andrew Hundt and Varun Jain and Chia-Hung Lin and Chris Paxton and Gregory D. Hager},
journal= {arXiv preprint arXiv:1810.11714},
year = {2019}
}
备注
This is a major revision refocusing the topic towards the JHU CoSTAR Block Stacking Dataset, workspace constraints, and a comparison of HyperTrees with hand-designed algorithms. 12 pages, 10 figures, and 3 tables