基于稀疏神经网络的视觉智能机器人抓取
机器人学
2023-08-23 v1
摘要
在深度学习的现代时代，网络参数在模型效率中起着至关重要的作用，但其自身存在诸如大量计算与内存需求等局限，可能不适合实时智能机器人抓取任务。当前研究关注如何在不牺牲机器人抓取领域模型精度的前提下，通过引入稀疏性来维持模型效率。更具体地，本研究提出了两种轻量化神经网络，即 Sparse-GRConvNet 与 Sparse-GINNet，它们通过集成 Edge-PopUp 算法在机器人抓取领域利用稀疏性生成抓取位姿。该算法通过考虑各边的分值来筛选前 K% 的边。Sparse-GRConvNet 与 Sparse-GINNet 模型均设计为在每个像素位置实时生成高质量抓取位姿，使机器人能有效操控陌生物体。我们使用两个基准数据集——Cornell Grasping Dataset (CGD) 与 Jacquard Grasping Dataset (JGD)——对模型进行了充分训练。在 CGD 上，Sparse-GRConvNet 与 Sparse-GINNet 模型分别以仅 GR-ConvNet 10% 的权重和 GI-NNet 50% 的权重取得了 97.75% 的精度，优于当前最先进方法。此外，Sparse-GRConvNet 以 GR-ConvNet 30% 的权重达到 85.77% 的精度，Sparse-GINNet 以 GI-NNet 10% 的权重达到 81.11% 的精度（于 JGD 上）。为验证所提模型性能，我们使用 Anukul (Baxter) 硬件协作机器人进行了大量实验。
引用
@article{arxiv.2308.11590,
title = {Vision-Based Intelligent Robot Grasping Using Sparse Neural Network},
author = {Priya Shukla and Vandana Kushwaha and G C Nandi},
journal= {arXiv preprint arXiv:2308.11590},
year = {2023}
}