通过隐空间非刚性配准迁移基于类别的功能性抓取技能
机器人学
2018-09-17 v1
摘要
同一类别中的物体通常在其形状与用途上相似。当我们——作为人类——想要抓取某物时，我们会将过往经验中的知识迁移并适配到新物体上。本文提出一种迁移抓取技能的新方法，将抓取知识累积到类别级规范模型中。该类别中新实例的抓取运动由观测实例与规范形状之间的几何形变推断得出。形状间的对应通过结合相干点漂移（Coherent Point Drift）方法与子空间方法的非刚性配准技术建立。通过将类别级信息纳入配准，我们避免了不合理的形状，并聚焦于该类别中实际观测到的形变。用于生成抓取运动的控制位姿从已知物体的抓取定义中累积于规范模型。根据新实例的估计形状参数，控制位姿被变换至该实例。类别级模型使我们的方法尤其适用于难以获得完全观测物体的在线抓取。通过在遮挡手柄的物体被成功抓取的实验证明了这一点。
引用
@article{arxiv.1809.05390,
title = {Transferring Category-based Functional Grasping Skills by Latent Space Non-Rigid Registration},
author = {Diego Rodriguez and Sven Behnke},
journal= {arXiv preprint arXiv:1809.05390},
year = {2018}
}
备注
In IEEE Robotics and Automation Letters (RA-L), Special Issue on Learning and Control for Autonomous Manipulation Systems: the Role of Dimensionality Reduction. arXiv admin note: text overlap with arXiv:1809.05353