[論文レビュー] Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection

Hu Cao, Guang Chen+3 more|arXiv (Cornell University)|Jan 25, 2021

Robot Manipulation and Learning参考文献 38被引用数 20

ひとこと要約

本稿では、効率的なロボットグリップ検出を実現するため、ガウスベースのグリップ表現を用いた軽量で完全畳み込みニューラルネットワークを提案する。グリップ信頼度を2次元ガウスカーネルで符号化し、受容 field ブロックを統合してマルチスケール特徴抽出を実現するとともに、多次元アテンション統合を採用することで、467万パラメータでCornellデータセットで98.9%、Jacquardデータセットで95.6%の精度を達成。従来手法と比較して顕著に小型かつ高速でありながら、最先端の性能を維持している。

ABSTRACT

The method of deep learning has achieved excellent results in improving the performance of robotic grasping detection. However, the deep learning methods used in general object detection are not suitable for robotic grasping detection. Current modern object detectors are difficult to strike a balance between high accuracy and fast inference speed. In this paper, we present an efficient and robust fully convolutional neural network model to perform robotic grasping pose estimation from an n-channel input image of the real grasping scene. The proposed network is a lightweight generative architecture for grasping detection in one stage. Specifically, a grasping representation based on Gaussian kernel is introduced to encode training samples, which embodies the principle of maximum central point grasping confidence. Meanwhile, to extract multi-scale information and enhance the feature discriminability, a receptive field block (RFB) is assembled to the bottleneck of our grasping detection architecture. Besides, pixel attention and channel attention are combined to automatically learn to focus on fusing context information of varying shapes and sizes by suppressing the noise feature and highlighting the grasping object feature. Extensive experiments on two public grasping datasets, Cornell and Jacquard demonstrate the state-of-the-art performance of our method in balancing accuracy and inference speed. The network is an order of magnitude smaller than other excellent algorithms while achieving better performance with an accuracy of 98.9$\%$ and 95.6$\%$ on the Cornell and Jacquard datasets, respectively.

研究の動機と目的

• ロボットグリップ検出における推論速度と精度のトレードオフを解消すること。
• リソース制約のあるロボットシステムへのリアルタイム統合に適した軽量でワンステージのネットワークを開発すること。
• 強化された特徴抽出とアテンション機構を通じて、ごみだらけのシーンにおける特徴の識別性とロバスト性を向上させること。
• 中央点に最大のグリップ信頼度を持つガウスカーネル表現を用いて、グリップ品質の符号化をより効果的にすること。
• 既存手法と比較して、検出精度を維持または向上させつつネットワークサイズを縮小すること。

提案手法

• 2次元ガウスカーネルを用いて、最大のグリップ信頼度を持つ中央点に注目するガウスベースのグリップ表現（GGR）を導入し、トレーニングサンプルを符号化する。
• ボトムネック層に受容 field ブロック（RFB）を統合し、マルチスケール特徴抽出を強化し、特徴の識別性を向上させる。
• ピクセルとチャネルの両方のアテンションを統合する多次元アテンション統合ネットワーク（MDAFN）を採用し、ノイズを低減するとともに、さまざまな形状やサイズの特徴を強調する。
• デコーダー経路で低レベルと高レベルの特徴を統合し、特徴再構成過程での情報損失を低減する。
• RGB-D画像からエンドツーエンドのグリップポーズ推定を実現する完全畳み込み型ワンステージアーキテクチャとして設計されたネットワークである。
• 汎化性とロバスト性を評価するために、画像単位およびオブジェクト単位の分割を用いて、CornellおよびJacquardデータセットで学習を行う。

実験結果

リサーチクエスチョン

• RQ1 軽量でワンステージの完全畳み込みネットワークは、ロボットグリップ検出において高い精度と高速な推論速度を達成できるか？
• RQ2 アノテーションベースやキーポointベースの手法と比較して、ガウスベースのグリップ表現はグリップ信頼度のモデリングをどのように改善するか？
• RQ3 受容 field ブロックと多次元アテンション機構の統合は、特徴表現と検出のロバスト性をどの程度向上させるか？
• RQ4 単一オブジェクトデータセットで学習したにもかかわらず、複数オブジェクトを含むごみだらけのシーンへの一般化性能はどの程度か？
• RQ5 ラベルの重複とモデル安定性のバランスを考慮した場合、ガウスカーネルの最適スケールファクターは何か？

主な発見

• 提案手法はCornellデータセットで98.9%、Jacquardデータセットで95.6%のグリップ検出精度を達成し、精度-速度トレードオフにおいて最先端の手法を上回っている。
• ネットワークサイズはわずか467万パラメータであり、Chuら（2億1600万）やPinto & Gupta（6000万）といった競合手法と比べて1桁以上も小さい。
• 1枚あたり5msのリアルタイム推論速度を達成しており、Lenz（13.5秒）やMorrison（3ms）といった手法に比べて、パラメータ数がはるかに少ないにもかかわらず顕著に高速である。
• アブレーションスタディの結果、GGR、RFBM、MDAFNの各モジュールが性能向上に寄与していることが確認され、フルモデルでは画像単位スプリットでCornellデータセットで97.8%の最高精度を達成した。
• 単一オブジェクトデータセットで学習したにもかかわらず、複数オブジェクトを含むごみだらけのシーンへの一般化性能が良好であり、複雑な形状や部分的遮断を受けるオブジェクトでさえもグリップポーズを正しく検出できた。
• 失敗事例は主に小さな、複雑な形状、または遮断されたオブジェクトで観察され、データセットの多様性を高めることでさらなるロバスト性向上が期待できる。