關(guān)閉循環(huán)以進行機器人抓取

QUT的機器人專家為機器人開發(fā)了一種更快，更準確的方法來抓取物體，包括在雜亂和變化的環(huán)境中，這有可能提高它們在工業(yè)和家庭環(huán)境中的實用性。

新方法允許機器人快速掃描環(huán)境并使用深度圖像將其捕獲的每個像素映射到其抓取質(zhì)量

真實世界測試的動態(tài)抓取精度高達88%，靜態(tài)實驗高達92%。

該方法基于生成性掌握卷積神經(jīng)網(wǎng)絡(luò)

昆士蘭科技大學的JürgenLeitner博士說，抓住和拾取物體是人類的基本任務(wù)，但事實證明它對機器來說非常困難。

“我們已經(jīng)能夠在非常受控的環(huán)境中對機器人進行編程，以獲取非常具體的物品。然而，當前機器人抓取系統(tǒng)的一個主要缺點是無法快速適應(yīng)變化，例如物體移動時， “萊特納博士說。

“這個世界是不可預(yù)測的 - 事情發(fā)生變化，移動和混亂，而且往往會在沒有警告的情況下發(fā)生 - 所以機器人需要能夠在非結(jié)構(gòu)化環(huán)境中適應(yīng)和工作，如果我們希望它們有效，”他說。

這種新方法由博士開發(fā)。研究員Douglas Morrison，Leitner博士和QUT科學與工程系的杰出教授Peter Corke，是一種實時的，與對象無關(guān)的閉環(huán)抓取抓取合成方法。

“生成性掌握卷積神經(jīng)網(wǎng)絡(luò)方法的工作原理是通過預(yù)測每個像素的雙指掌握的質(zhì)量和姿勢。通過在一次通過中使用深度圖像來映射它前面的內(nèi)容，機器人不需要采樣在做出決定之前有許多不同的可能的掌握，避免了長時間的計算，“莫里森先生說。

“在我們的實際測試中，我們在一組先前看不見的具有對抗幾何形狀的物體上獲得了83%的抓取成功率，并且在抓取嘗試期間移動的一組家用物體上獲得了88%的抓握成功率。當我們也達到81%的準確率時抓住動態(tài)的混亂。“

萊特納博士說，這種方法克服了當前深度學習抓取技術(shù)的一些局限性。

“例如，在2017年我們的團隊贏得的亞馬遜采摘挑戰(zhàn)賽中，我們的機器人CartMan會查看一個物體箱，決定抓住物體的最佳位置，然后盲目進去嘗試挑選它，“他說

“使用這種新方法，我們可以處理機器人在大約20毫秒內(nèi)查看的對象的圖像，這允許機器人更新其在何處抓取對象的決定，然后以更大的目的這樣做。這在以下特別重要：雜亂的空間，“他說。

Leitner博士表示，這些改進對工業(yè)自動化和家庭環(huán)境都很有價值。

“這一系列研究使我們能夠使用機器人系統(tǒng)，而不僅僅是在整個工廠基于機器人功能構(gòu)建的結(jié)構(gòu)化設(shè)置中。它還允許我們在非結(jié)構(gòu)化環(huán)境中抓取物體，在這些環(huán)境中，物體沒有完美的計劃和有序，機器人也是需要適應(yīng)變化。

“這對工業(yè)有利 - 從用于網(wǎng)上購物和分揀的倉庫到水果采摘。它也可以應(yīng)用于家庭，因為更智能的機器人不僅可以真空吸塵或拖地板，還可以提取物品把它們?nèi)拥簟?ldquo;

該團隊的論文閉幕循環(huán)機器人掌握：實時，生成式掌握綜合方法將于本周在美國匹茲堡卡內(nèi)基梅隆大學舉行的機器人：科學與系統(tǒng)會議上展示，這是一次最具選擇性的國際機器人會議。