基于多目标卷积神经网络的未知机器人检测与关节估计的迁移学习
机器人学
2019-02-18 v2
摘要
使用深度学习技术的一个显著问题是可用于训练的数据量有限。对于物品识别与分类或自动驾驶等热门问题有一些可用数据集，但工业机器人和领域的可用数据非常有限。在先前工作中，我们训练了一个多目标卷积神经网络（CNN）来识别图像中的机器人本体，并仅使用 2D 图像估计关节的 3D 位置，但其仅限于 Universal Robots（UR）生产的系列机器人。本工作中，我们将方法扩展至一种新的机械臂——Kuka LBR iiwa，其外观显著不同且多出一个关节。然而，我们不再重新收集大型数据集，而是收集若干各含几百帧的较小数据集，并对在 UR 机器人上训练的 CNN 使用迁移学习技术，使其适应具有不同形状和视觉特征的新机器人。我们已证明迁移学习不仅适用于该领域，而且相比原始方法需要更小的精心准备的训练数据集、训练显著更快并达到相似精度，在某些方面甚至有所提升。
引用
@article{arxiv.1805.11849,
title = {Transfer Learning for Unseen Robot Detection and Joint Estimation on a Multi-Objective Convolutional Neural Network},
author = {Justinas Miseikis and Inka Brijacak and Saeed Yahyanejad and Kyrre Glette and Ole Jakob Elle and Jim Torresen},
journal= {arXiv preprint arXiv:1805.11849},
year = {2019}
}
备注
Regular paper submission to 2018 IEEE International Conference on Intelligence and Safety Robotics (ISR). Camera Ready paper