最新消息
最新消息| GoogleX開源抓取機械臂,無需人工標注就能一眼找到目標零件 | 2022-10-03 |
| 文章来源：由「百度新聞」平台非商業用途取用"https://new.qq.com/omn/20220525/20220525A0A3Q700.html" 機械臂常見，但你見過這么聰明的嗎？從工作臺上一眼找到合適的螺母、穩穩拿住。再送到目標螺桿上，整個動作一氣呵成：即使是相似度極高的兩個部件，也能準確區分并“揪”出正確的那個：要知道，平時我們自己做實驗、或是拼裝沒見過的機械零件時，面對各個相似的零件都可能拿錯，更何況機器人。（想象一下拼裝樂高零件的痛苦）但這只機械臂沒有使用過任何人工標注，就能從模擬器立刻遷移到真實世界，同時泛化到機器人沒見過的新物體上，準確率能達到87.8%。這就是谷歌X最近開源的類別級機械臂CaTGrasp。論文一作為華人博士BowenWen，現就讀于羅格斯大學計算機系，本科畢業于西安交通大學。目前，這項研究已經登上機器人領域頂會ICRA2022。讓機械臂自己總結抓取經驗這項研究的提出，主要是想要解決普通工業場景中，對不同機械零件進行分類的問題。實際情況下，機械臂難免會遇到自己不認識的新零件，如果只依靠數據集、不會舉一反三可不太行。為了不依賴數據集和人工標注，研究人員想到了在模擬器內進行訓練的辦法。通過在模擬器內不斷訓練試錯，機械臂就能自己總結出一套經驗，并將它歸結成熱力圖表征。在這里，研究團隊提出了一種新的表示方法：Non-UniformNormalizedObjectCoordinateSpace(NUNOCS)。統一的NUNOCS表征能夠讓同一類物體的信息整合到一起。給定一個物體模型，這種方法能讓所有的點沿著每個維度都歸一化。歸一化讓不同維度之間的特征在數值具有一定比較性，從而可以對不同物體分類。最終NUNOCS能夠將不同物體按照類別劃分，并能夠給出一個代表模板。在這個過程中，它是把距離所有其他模型的倒角距離最小的物體，設定為模板。（倒角距離：是一種對于圖像的距離變換，對于一個有特征點和非特征點的二值圖像，此距離變換就是求解每一個點到最近特征點的距離）這些模板將成為之后整合熱力圖表征、存儲抓取姿態分部的密碼本。給出點云輸入后，NUNOCSNet就能預測點云在NUNOCS空間中的位置，這一網絡基于pointnet設計。（點云：逆向工程中通過測量儀器得到的產品外觀表面的點數據合集）根據確定點云和預測到的點云，二者最終可以求解得到類別級的6D轉換和3D的維度變換，從而得到更為準確的密集點云對匹配。比如下圖中，相同顏色表示相互匹配，NUNOCS方法優于此前的NOCS方法。在掌握了抓取秘籍后，還要保證每次抓取都能穩定釋放“功力”。因此，研究人員對每個抓取姿態進行50次隨機的微小擾動，并記下了成功的次數，得到連續的概率分布。然后根據上一步整理好的不同模型模板，將抓取姿態也進行分類整合。測試時，一旦遇到了沒接觸過的情況，就可以將之前歸結好的抓取姿態分布遷移到新穎的物體空間里，從而得到更為全面的抓取姿態采樣。抓取姿態和模擬器中得到的概率分布，可以分別作為輸入和標簽，用來訓練神經網絡。最后，通過自監督訓練學習，在進行過足夠多的抓取姿態模擬后，機械爪和物體的接觸經驗累計就能得到如下這樣的熱力圖。而且過程中所有模塊都能從合成數據集上訓練，之后能直接遷移到真實世界的場景中。從實驗結果來看，模擬情況下這一方法的平均成功率有93.1%，抓取次數大概為600次。實際情況下的成功率為87.8%。團隊介紹本項研究的一作為羅格斯大學計算機專業博士生BowenWen，目前正在GoogleX實習。他師從KostasBekris教授，研究方向包括機器人感知，計算機視覺。此前他還在FacebookReality、AmazonLab126和商湯實習過。本科畢業于西安交通大學，碩士畢業于俄亥俄州立大學。目前該項目的所有模擬器環境、數據集生成、訓練和實驗均已開源。GitHub地址：https:github.comwenbowen123catgrasp論文地址：https:arxiv.orgabs2109.09163 關鍵字標籤：磁鐵片 |
|
 |
|
