Quality-focused Active Adversarial Policy for Safe Grasping in Human-Robot Interaction

要約

深いニューラルネットワーク（DNNS）に基づいた視覚誘導ロボットの把握方法は、強力な一般化に起因する未知のオブジェクトの処理において顕著な成功を収めています。
ただし、この一般化を備えたこれらの方法は、人間の手とその隣接するオブジェクトを把握可能なターゲットとして認識する傾向があり、人間とロボットの相互作用（HRI）中の安全性を損ないます。
この作業では、この問題を解決するために、品質に焦点を当てたアクティブな敵対的政策（QFAAP）を提案します。
具体的には、最初の部分は敵対的な品質パッチ（AQP）です。ここでは、敵対的な品質パッチ損失を設計し、把握データセットを活用して高品質のスコアでパッチを最適化します。
次に、投影された品質勾配降下（PQGD）を構築し、各リアルタイムフレーム内のハンド領域のみを含むAQPと統合し、AQPに人間の手の形に迅速に適応性を与えます。
AQPとPQGDを介して、手は周囲のオブジェクトと積極的に敵対的であり、品質スコアを下げます。
したがって、ハンドの品質スコアをさらにゼロに設定すると、ハンドとその隣接するオブジェクトの両方の把握優先度が低下し、ロボットが緊急停止なしに他のオブジェクトを手から離すことができます。
ベンチマークデータセットとコボットで広範な実験を実施し、QFAAPの有効性を示しています。
コードおよびデモビデオは、https：//github.com/clee-jaist/qfaapで入手できます。

要約(オリジナル)

Vision-guided robot grasping methods based on Deep Neural Networks (DNNs) have achieved remarkable success in handling unknown objects, attributable to their powerful generalizability. However, these methods with this generalizability tend to recognize the human hand and its adjacent objects as graspable targets, compromising safety during Human-Robot Interaction (HRI). In this work, we propose the Quality-focused Active Adversarial Policy (QFAAP) to solve this problem. Specifically, the first part is the Adversarial Quality Patch (AQP), wherein we design the adversarial quality patch loss and leverage the grasp dataset to optimize a patch with high quality scores. Next, we construct the Projected Quality Gradient Descent (PQGD) and integrate it with the AQP, which contains only the hand region within each real-time frame, endowing the AQP with fast adaptability to the human hand shape. Through AQP and PQGD, the hand can be actively adversarial with the surrounding objects, lowering their quality scores. Therefore, further setting the quality score of the hand to zero will reduce the grasping priority of both the hand and its adjacent objects, enabling the robot to grasp other objects away from the hand without emergency stops. We conduct extensive experiments on the benchmark datasets and a cobot, showing the effectiveness of QFAAP. Our code and demo videos are available here: https://github.com/clee-jaist/QFAAP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google