Measuring Uncertainty in Shape Completion to Improve Grasp Quality

要約

シェイプ完成ネットワークは、現実世界のロボット実験で最近使用されており、自己閉鎖が発生する1つまたは数の例でオブジェクトが観察される環境で欠落/隠し情報を完​​成させます。
現在、ほとんどのアプローチは、より正確で現実的なオブジェクトのジオメトリにつながるリッチ3Dポイントクラウドデータを処理する深いニューラルネットワークに依存しています。
ただし、これらのモデルは、これらのエラーが把握に失敗するように複合するシナリオを把握するシナリオのパフォーマンスの低下につながる可能性のある非決定的/確率的推論のために、依然として不正確さに悩まされています。
テーブル上のオブジェクトの単一ビューポイントクラウドの推論中に、3D形状完了モデルの不確実性を計算するアプローチを提示します。
さらに、Grasp候補に存在する完成したポイントクラウドの不確実性を導入することにより、ポーズアルゴリズムの品質スコアを把握するための更新を提案します。
完全なパイプラインをテストするために、大量の家庭用オブジェクトに2本のフィンガーグリッパーを備えた7DOFロボットアームで把握し、不確実性を測定しない以前のアプローチと比較します。
私たちのアプローチは、把握の品質をより良くランク付けし、最先端と比較して、ランク5の把握候補者の成功率が高くなります。

要約(オリジナル)

Shape completion networks have been used recently in real-world robotic experiments to complete the missing/hidden information in environments where objects are only observed in one or few instances where self-occlusions are bound to occur. Nowadays, most approaches rely on deep neural networks that handle rich 3D point cloud data that lead to more precise and realistic object geometries. However, these models still suffer from inaccuracies due to its nondeterministic/stochastic inferences which could lead to poor performance in grasping scenarios where these errors compound to unsuccessful grasps. We present an approach to calculate the uncertainty of a 3D shape completion model during inference of single view point clouds of an object on a table top. In addition, we propose an update to grasp pose algorithms quality score by introducing the uncertainty of the completed point cloud present in the grasp candidates. To test our full pipeline we perform real world grasping with a 7dof robotic arm with a 2 finger gripper on a large set of household objects and compare against previous approaches that do not measure uncertainty. Our approach ranks the grasp quality better, leading to higher grasp success rate for the rank 5 grasp candidates compared to state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google