Рандомизация доменов и генеративные модели для робототехнического захвата17.10.2017 07:00

Аннотация

Роботизированный захват на основе глубокого обучения добился значительных успехов благодаря усовершенствованию алгоритмов и росту доступности данных. Тем не менее, современные модели часто обучаются всего на нескольких сотнях или тысячах уникальных экземпляров объектов, в результате чего обобщение может представлять собой сложную задачу.

В данной работе мы исследуем новый конвейер генерации данных для обучения глубокой нейронной сети планированию захвата, в котором идея рандомизации доменов применяется к синтезу объектов. Мы генерируем миллионы уникальных, нереалистичных процедурно сгенерированных объектов и обучаем глубокую нейронную сеть планированию захвата таких объектов.Поскольку распределение успешных захватов для заданного объекта может быть крайне мультимодальным, мы предлагаем авторегрессионную модель планирования захвата, которая отображает входные данные сенсоров сцены в вероятностное распределение возможных захватов. Эта модель позволяет нам эффективно выполнять выборку захватов на этапе тестирования (или полностью избегать выборки).

Мы оцениваем архитектуру нашей модели и конвейер генерации данных в симуляции и реальном мире. Мы обнаружили, что можем достичь показателя успешности >90% на ранее не встречавшихся реалистичных объектах во время тестирования в симуляции, несмотря на обучение исключительно на случайных объектах. Мы также демонстрируем 80% успешных попыток захвата в реальном мире, несмотря на обучение только на случайных симулированных объектах.