使用卷积神经网络进行实时抓取检测
提出了一种改进的流水线模型,用于检测不同可见或不可见对象的矩形表示,以实现机器人的实时掌握,通过预处理、输出归一化和数据增强来提高准确性,并对 AlexNet、ResNet 和 Vgg19 等不同预训练模型进行了比较。尽管 AlexNet 比其他模型复杂度更低,但它表现出色,有助于实现实时性。
Mar, 2024
本论文提出了一种新颖的机器人抓取检测系统,该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置,取得了 89.21%的准确率和实时的运行速度,重新定义了机器人抓取检测的技术水平。
Nov, 2016
本文提出了一种实时的、物体独立的抓取合成方法,使用生成式抓取卷积神经网络(GG-CNN)预测每个像素的抓取姿态和质量,在不进行抓取候选离散采样和长时间计算的情况下,对当前深度学习抓取技术的局限性进行了克服。 实验结果表明:GG-CNN 比当前最先进的技术具有同等性能,并具有轻量级、一次性生成的特点,从而可以实现 50Hz 的闭环控制,在非静态环境、物体移动和机器人控制不准确的情况下进行准确的抓取,对于具有敌对几何形状的物体可以实现 83% 的抓取成功率,在家居物品的抓取中可以实现 88% 的抓取成功率,在动态混杂物的抓取中可以实现 81% 的准确率。
Apr, 2018
本研究提出了一种层次结构的卷积神经网络架构,通过使用滑动窗口方法,使离线工作的卷积神经网络架构能够高效地在线操作,同时细化了手势检测和分类。该架构达到了 94.04%和 83.82%的离线分类准确率以及可实现良好的在线操作表现。
Jan, 2019
本文提出了一种深度学习架构,用于预测机器人操作的适合抓取的位置,通过使用 RGB-D 图像输入的深度神经网络实现对单个或多个对象的多个抓取候选项的预测,实验表明该方法在 Cornell 数据集上表现优于其他方法,在掌握实验中也获得了不错的成功率。
Feb, 2018
运用深度学习方法解决机器人抓取问题,通过多模态组规则化结构化正则化权重来处理多模态输入,实现了比之前最先进方法更好的效果,可成功在两个不同的机器人平台上执行抓取。
Jan, 2013
本文提出了一种基于单一演示的机器学习方法 GraspNet,其使用卷积神经网络来检测物体并进行抓取,在实验中使用 Franka Panda cobot,在数百次的训练迭代中训练 GraspNet,能够更加快速地进行精细调整。
Jun, 2018
通过使用单个 RGB 图像进行模块化学习网络来检测抓取姿势,本研究提出了一种有趣的方法,适用于配备平板夹具的机器人,不仅识别可抓取的物体,还将先前的抓取分析与语义分割融合,从而提高抓取检测精度,并且在处理模糊和嘈杂的视觉情况时表现出弹性,通过实际实验和评估证明了我们提出的方法的可行性和准确性。
Oct, 2023
本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络,通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率,在 Baxter 研究机器人上的实验中,相对于以前的研究成果,我们的方法有了 20%的提高,平均抓取成功率达到了 93%。
Mar, 2016
本文采用大规模数据集和多阶段学习方法,使用卷积神经网络对机器人进行抓取任务,与几个基准进行比较,表现出了最先进的泛化能力。
Sep, 2015