摘要
机器人抓取是智能机器人的一个基础功能，也是一个具有挑战性的任务。得益于深度学习的发展，研究者们提出了许多抓取姿态检测算法，然而对于这些深度学习算法而言充实的数据集必不可少。机器人可能在不同环境中移动，当环境变化时，需要创建新数据集并重训练模型以保持网络模型的性能。但是，数据集标注是一个非常消耗资源的过程。主动式学习旨在缓解深度学习算法对大量标注数据的依赖性，主要途径是选择出未标注数据集中最具有信息量的数据并进行标注，而不需要标注整个数据集。 本文提出了一个面向机器人抓取的判别式主动式学习策略。该策略利用一个共享编码器来获取已标注数据和未标注数据的潜在特征，并建立一个判别器估算每个未标注数据与已标注数据集的相似度，将相似度最低的数据视为最具信息量的数据。 考虑到现实应用，当前机器人抓取姿态检测算法存在准确率和实时性之间的平衡性问题。本文利用深度可分离卷积改进了抓取姿态检测网络，使网络达到更高准确率的同时限制参数量的增长，保证检测实时性。结合判别式主动式学习策略，本文设计了一个完整的机器人抓取训练应用框架。 本文利用了两个真实物体抓取数据集评估本文提出的判别式主动式学习策略与抓取姿态检测网络。相较于其他主动式学习策略，判别式主动式学习策略在实验中表现出了优越的性能，尤其是当已标注数据较少的时候。考虑到现实生活中标注噪声的存在，本文利用了带标注噪声的数据集比较不同策略的性能。实验结果显示判别式主动式学习策略在标注噪声下表现出较稳定的性能。 与其他网络相比，本文提出的基于深度可分离卷积的抓取姿态检测网络能够在准确率和实时性之间实现更好的平衡。本文还进行了真实机器人抓取实验，证明了本文提出的抓取姿态检测网络与机器人抓取训练应用框架的优越性与有效性。
NETL