저자 : 톰 하디
날짜 : 2020년 2월 23일
원본 : 재고 | RGB에서 로봇 기반 이미지 캡처
머리말
최근에서 아이디어를 공유 여기, 로봇 기반의 RGB 이미지 캡처 논문에서 최근의 일부를 읽어 보시기 바랍니다.
1, 더 나은 잡고 예측을위한 최적화 상관 Graspability 점수와 잡고 회귀
이 논문은 새로운 손실 금액을 도입하여 회귀 기어 크롤링 품질 평가의 사용을 향상시킬 수있는 새로운 깊이 간직해 네트워크 구조를 제시한다. 자카드는 자카드 시뮬레이션 시나리오 평가 장식 검출 모델을 파지 변수에 복수의 오브젝트에 배치되어 있도록, 데이터 세트를 확장하고, 또한 발매 +. 자카드 +는 물리적 시뮬레이션에 의해 만들어진 완전히 재현 할 조건에서 테스트 할 수 있습니다. 실험 결과 자카드 자카드 + 또는 셋 모두 그립 검출하는 제안 된 방법은 훨씬 더 러를 검출하는 종래의 방법보다 것을 보여준다;
네트워크 구조 :
결과 :
2, 소설에 대한 실시간를 잡고 포즈 추정은 조밀하게 어지러워 환경에서 개체
물체의 중심과 물체의 장축을 따라 상기 파지하지만, 물체의 형상이 복잡 종종 실패 이러한 실시 예에서 종래 주로 가져 오기. 이 종이 선물 로봇 픽과 장소의 실시간 포즈 추정 전략을 크롤링 새로운 대상입니다. 타겟 형상 점군과 목표 자세를 추정하고, 화상 평면 상 골격 예측을 파지하는 방법. 주요 목적은 구면 용기 테니스 테스트 및 심지어 송풍기 (비 볼록)와 같은 복잡한 형상의 목적된다. 결과는 전략 좋은 전략 상기 예측 된 유효 파지 구성과 비교 대상의 복잡한 형상의 효과를 파지하고 있음을 보여준다. 즉, 명확하게 할 객체 및 배치 개체 밀도가 혼란에 배치됩니다, 두 경우 모두 캡처 기술의 효과를 보여줍니다. 크롤링 정확도 비율은 각각 88.16 %와 77.03 %였다. 모든 실험은 실제 로봇을 사용하여 수행하고,이 UR10 WSG-50는 두 손가락 파 지부를 수행 하였다.
3、GRIP: Generative Robust Inference and Perception for Semantic Robot Manipulation in Adversarial Environments
本文提出了一种两阶段的生成性鲁棒推理与感知（GRIP）方法，以探索在生成对抗环境中进行物体识别和姿态估计。生成鲁棒推理与感知（GRIP）作为一个两阶段的目标检测与姿态估计系统，目的是结合CNN的可区分相对优势和生成推理方法来实现鲁棒估计。在GRIP中，将推理的第一阶段表示为基于CNN的识别分布。CNN识别分布用于第二阶段的生成性多假设优化，这种优化是作为一个静态过程的粒子滤波器来实现的。本文证明，GRIP方法在不同光照和拥挤遮挡的对抗场景下，相对于最先进的姿态估计系统PoseCNN和DOPE，达到了SOTA。使用密歇根进度抓取机器人演示了抓取和目标定向顺序操作在对象拾取和放置任务中的兼容性。
4、Domain Independent Unsupervised Learning to grasp the Novel Objects
本文提出了一种基于无监督学习的可行抓取区域选择算法，监督学习在没有任何外部标签的情况下推断数据集中的模式。论文在图像平面上应用k-均值聚类来识别抓取区域，然后用轴指派方法。除此之外，定义了一个新的抓取决定指数（GDI）概念来选择图像平面上的最佳抓取姿势，并在杂乱或孤立的环境中对Amazon Robotics Challenge 2017 和Amazon Picking Challenge 2016的标准物体进行了多次实验。论文还将结果与基于先验学习的方法进行比较，以验证提出的算法对于不同领域中的各种新对象的鲁棒性和自适应性。
5、Multi-View Picking: Next-best-view Reaching for Improved Grasping in Clutter（代码开源）
카메라 시점을 선택하는 것은 많은 경우 특히 클러 교합의 존재 하에서 시각적 검출 파지의 중요한 측면이다. 종래의 정지 방법 카메라 또는 고정 된 위치의 데이터 수집 루틴 뷰 활성 크롤링 포즈 추정 선택된 정보 분배 지점 실시간에 기초하여 직접 검출 방법을 이용하여 본원 다안 픽업 (MVP) 제어기를 사용하여, 노이즈 폐색에 의한 환원 크롤 자세 불확실성. 파지 클러 실험에서 대상 (20)에서, 제어기가 MVP 80 % 성공률 크롤링을 획득 단일 시점 검출기보다 픽업 특성이 12 % 향상된다. 이 논문은 또한 제안 된 방법은 다수의 시점을 고정 방법을 고려하여보다 더 정확하고 효율적인 것으로 입증되었다.
오브젝트 중복 장면 6, ROI 기반의 로봇을 잡고 감지
이 논문의 선물이자 (ROI) 탐지 알고리즘 그립 투자 수익 (ROI) - GD의 지역에 따라 로봇. 상기 식에서 대신 전체 장면, 투자 수익 (ROI) - GD 횡령을 사용하여 ROI 검출. 이것은 두 단계로 분할된다 : 첫 번째 입력 화상에 ROI를 제공하고, 두 번째 단계는 ROI 특징 검출기 그리퍼에 기초한다. 시각적 관계형 데이터 세트에 의해 표시 용지 또한 Bikangnaier 잡아를 다 객체 데이터 세트 크롤링 데이터의 더 큰 세트를 만들었다. 가장 최근 코넬 데이터 세트 및 자카드 데이터 집합에 비교 탐지 알고리즘을 잡고 잡고 동안 실험 결과는 장면이 겹치는 객체에 즉, 투자 수익 (ROI) - GD 알고리즘은 더 나은 성능을 보여줍니다. 로봇 실험은 ROI-GD는 각각 단일 대상 및 멀티 타겟 장면 대상 장면, 92.5 %와 83.8 %의 성공률에 크롤 링 로봇을 도울 수 보여줍니다.
