基于CNN的两阶段迁移学习用于2D相机图像中的异构机器人检测与3D关节位置估计
机器人学
2019-02-18 v1
摘要
协作机器人在工厂车间以及常规环境中正变得越来越普遍，然而其安全性仍不是一个完全解决的问题。碰撞检测并不总能按预期执行，碰撞规避仍是一个活跃的研究领域。碰撞规避在固定的机器人-相机设置下表现良好，然而如果它们被移动，Eye-to-Hand标定便会失效，使得难以准确运行许多现有的碰撞规避算法。我们通过提出一个独立系统来解决该问题，该系统能够使用简单的2D彩色图像作为输入来检测机器人并估计其位置（包括各个关节），且无需Eye-to-Hand标定。作为先前工作的扩展，使用了两阶段迁移学习方法对多目标卷积神经网络（CNN）进行重新训练，以使其能够用于异构机械臂。我们的方法能够实时检测机器人，并且与完全训练网络的要求相比，只需显著更小的训练数据集即可添加新的机器人类型。我们展示了数据采集方法、多目标CNN的结构、两阶段迁移学习训练以及使用来自Universal Robots、Kuka和Franka Emika的真实机器人的测试结果。最后，我们分析了我们方法的可能应用领域以及可能的改进。
引用
@article{arxiv.1902.05718,
title = {Two-Stage Transfer Learning for Heterogeneous Robot Detection and 3D Joint Position Estimation in a 2D Camera Image using CNN},
author = {Justinas Miseikis and Inka Brijacak and Saeed Yahyanejad and Kyrre Glette and Ole Jakob Elle and Jim Torresen},
journal= {arXiv preprint arXiv:1902.05718},
year = {2019}
}
备注
6+n pages, ICRA 2019 submission