Применение конволюционных нейронных сетей для обучения манипуляционного робота операции захвата объектов

Авторы: Жамал Маис
Опубликовано в выпуске: #1(42)/2020
DOI: 10.18698/2541-8009-2020-1-571
Раздел: Машиностроение и машиноведение | Рубрика: Роботы, мехатроника и робототехнические системы
Ключевые слова: Робот, манипулятор, операция захвата, нейронная сеть, конволюционная нейросеть, машинное обучение, обучение нейросети, искусственный интеллект
Опубликовано: 31.01.2020

Захватывание различных объектов является основной задачей, выполняемой роботом при исследовании и манипулировании в окружающей среде. Учитывая значительные трудности, связанные с программированием необходимого положения захвата для каждого из объектов, предлагается применять конволюционную нейронную сеть для обучения робота операции захвата различных объектов с учетом их пространственного положения. Сеть была обучена с помощью выборки, состоящей из 800 изображений 20 объектов. Экспериментальное исследование показало, что сеть обеспечивает 53,04 % успеха захвата новых объектов, которые отсутствовали в обучающей выборке. Это позволяет предположить, что при увеличении объема обучающей выборки робот сможет успешно захватывать объекты, удовлетворяющие определенным условиям и отсутствующие в обучающей выборке.

Литература

[1] Saxena A., Driemeyer J., Ng A.Y. Robotic grasping of novel objects using vision. The Int. J. Robot. Res., 2008, vol. 27, no. 2, pp. 157–173. DOI: https://doi.org/10.1177%2F0278364907087172

[2] Jiang Y., Moseson S., Saxena A. Efficient grasping from RGBD images: learning using a new rectangle representation. IEEE ICRA, 2011, pp. 3304–3311. DOI: https://doi.org/10.1109/ICRA.2011.5980145

[3] Ciocarlie M., Hsiao K., Jones E.G., et al. Towards reliable grasping and manipulation in household environments. In: Experimental robotics. Springer, 2014. pp. 241–252.

[4] Lenz I., Lee H., Saxena A. Deep learning for detecting robotic grasps. The Int. J. Robot. Res., 2015 vol. 34, no. 4-5, pp. 705–724. DOI: https://doi.org/10.1177%2F0278364914549607

[5] Redmon J., Angelova A. Real-time grasp detection using convolutional neural networks. IEEE ICRA, 2015, pp. 1316–1322. DOI: https://doi.org/10.1109/ICRA.2015.7139361

[6] Sahbani A., El-Khoury S., Bidaud P. An overview of 3-D object grasp synthesis algorithms. Rob. Auton. Syst., 2012, vol. 60, no. 3, pp. 326–336. DOI: https://doi.org/10.1016/j.robot.2011.07.016

[7] Caldera S., Rassau A., Chai D. Review of deep learning methods in robotic grasp detection. Multimodal Technologies Interact., 2018, vol. 2, no. 3, pp. 57. DOI: https://doi.org/10.3390/mti2030057

[8] Селиверстова Е. Управление многопалым захватным устройством автономного робота при захвате и манипулировании деформируемыми объектами. Дисc. ... канд. тех. наук. М., МГТУ им. Н.Э. Баумана, 2018.

[9] Kumra S., Kanan C. Robotic grasp detection using deep convolutional neural networks. IEEE/RSJ IROS, pp. 769–776. DOI: https://doi.org/10.1109/IROS.2017.8202237

[10] Barclay J.R. Stream discharge from Harford, NY. ecommons.cornell.edu: веб-сайт. URL: http://hdl.handle.net/1813/34425 (дата обращения: 15.11.2019).

[11] Morrison D., Leitner J., Corke P. Closing the loop for robotic grasping: a real-time, generative grasp synthesis approach. RSS, 2018. DOI: https://doi.org/10.15607/RSS.2018.XIV.021