A Self-supervised Contrastive Learning Method for Grasp Outcomes Prediction

要約

この論文では、教師なしの方法で把握結果を予測するための対照学習法の有効性を調査します。
公開されているデータセットを利用することで、対照的な学習方法が結果の把握の予測タスクでうまく機能することを実証します。
具体的には、運動量更新技術を備えた動的辞書ベースの方法は、単一の触覚センサーからのデータを使用して 81.83% という満足のいく精度を達成し、他の教師なし方法を上回ります。
私たちの結果は、ロボットの掴みの分野での応用に対する対照的な学習方法の可能性を明らかにし、安定した掴みを達成するための正確な掴み予測の重要性を強調しています。

要約(オリジナル)

In this paper, we investigate the effectiveness of contrastive learning methods for predicting grasp outcomes in an unsupervised manner. By utilizing a publicly available dataset, we demonstrate that contrastive learning methods perform well on the task of grasp outcomes prediction. Specifically, the dynamic-dictionary-based method with the momentum updating technique achieves a satisfactory accuracy of 81.83% using data from one single tactile sensor, outperforming other unsupervised methods. Our results reveal the potential of contrastive learning methods for applications in the field of robot grasping and highlight the importance of accurate grasp prediction for achieving stable grasps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google