基于不确定性感知的自监督颗粒食品目标质量抓取

食品包装行业工人通常用手从食品托盘中拣取目标量的食品并放入容器中。由于菜单多样且频繁更换，机器人必须适应并在短时间内学会处理新食品。学习抓取特定量的颗粒食品需要大量训练数据集，而合理快速地收集这些数据具有挑战性。在本研究中，我们提出通过用通过自监督学习估计其不确定性的模型来增强深度神经网络，以减少所需的训练数据量。为了进一步减少人力，我们设计了一个自动生成标签的数据收集系统。我们基于这样一种思想：如果在各种抓取点候选中至少存在一个低不确定性（高置信度）抓取点，我们就可以抓取得足够好。我们在多种颗粒食品——咖啡豆、大米、燕麦片和花生——上评估了本工作提出的方法，它们各自具有不同的尺寸、形状以及诸如体积质量密度或摩擦等材料特性。对于这些食品，我们通过引入不确定性，在使用更小数据集的情况下显著提高了用户指定目标质量的抓取精度。