[논문 리뷰] REGNet: REgion-based Grasp Network for Single-shot Grasp Detection in Point Clouds.

Binglei Zhao, Hanbo Zhang외 4명|arXiv (Cornell University)|2020. 02. 28.

Robot Manipulation and Learning참고 문헌 25인용 수 6

한 줄 요약

이 논문은 점군에서 단일 입력 뷰를 사용한 강건한 단일 스타일 그립 검출 문제를 해결하기 위해, 점군에 대한 종단간 단일 스타일 그립 검출 네트워크인 REGNet을 제안한다. 이는 세 단계 파이프라인을 사용한다: 높은 신뢰도를 가진 그립 포인트를 식별하기 위한 스코어 네트워크(SN), 그립 앵커를 사용하여 군집된 그립 제안을 생성하는 그립 영역 네트워크(GRN), 그리고 예측을 정밀하게 보정하기 위한 리파인 네트워크(RN). 이 방법은 YCB 기반으로 생성된 새로운 대규모 자동 애너테이션 그립 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하여, GPD, PointnetGPD 및 S$^4$G를 능가한다.

ABSTRACT

Learning a robust representation of robotic grasping from point clouds is a crucial but challenging task. In this paper, we propose an end-to-end single-shot grasp detection network taking one single-view point cloud as input for parallel grippers. Our network includes three stages: Score Network (SN), Grasp Region Network (GRN) and Refine Network (RN). Specifically, SN is designed to select positive points with high grasp confidence. GRN coarsely generates a set of grasp proposals on selected positive points. Finally, RN refines the detected grasps based on local grasp features. To further improve the performance, we propose a grasp anchor mechanism, in which grasp anchors are introduced to generate grasp proposal. Moreover, we contribute a large-scale grasp dataset without manual annotation based on the YCB dataset. Experiments show that our method significantly outperforms several successful point-cloud based grasp detection methods including GPD, PointnetGPD, as well as S$^4$G.

연구 동기 및 목표

• 단일 뷰 입력을 사용한 점군에서의 강건한 단일 스타일 그립 검출 문제를 해결하기 위해.
• 그립 앵커를 도입한 체계적인 다단계 네트워크 아키텍처를 통해 그립 검출 성능을 향상시키기 위해.
• YCB 기반으로 생성된 대규모 자동 애너테이션 그립 데이터셋을 통해 수동 애너테이션에 대한 의존도를 줄이기 위해.
• 실세계 로봇 조작 작업에서 평행 그립퍼를 위한 효율적이고 정확한 그립 예측을 가능하게 하기 위해.

제안 방법

• 네트워크는 세 단계 파이프라인을 사용한다: 높은 신뢰도를 가진 양성 그립 포인트를 선택하기 위한 스코어 네트워크(SN).
• 선택된 양성 포인트를 바탕으로 그립 앵커 메커니즘을 사용해 군집된 그립 제안을 생성하는 그립 영역 네트워크(GRN).
• 로컬 그립 특징을 활용하여 예측을 정밀하게 보정하는 리파인 네트워크(RN).
• 체계적으로 그립 제안을 생성하고 회귀하기 위해 그립 앵커 메커니즘을 도입하여 국소화 정밀도를 향상시킨다.
• YCB 데이터셋에서 파생된 새로 생성된 대규모 자동 애너테이션 그립 데이터셋에서 종단간으로 모델을 훈련시킨다.
• 단일 스타일 추론을 위한 아키텍처로 설계되어 단일 점군 입력에서 실시간 그립 검출을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기존 방법들과 비교해 볼 때, 단일 스타일 종단간 딥 러닝 접근법이 점군에서 뛰어난 그립 검출 성능을 달성할 수 있는가?
• RQ2 그립 앵커 메커니즘이 그립 제안의 국소화 정확도와 신뢰도 향상에 얼마나 효과적인가?
• RQ3 제안된 세 단계 네트워크 아키텍처(SN, GRN, RN)가 그립 검출 정확도와 강건성 향상에 얼마나 기여하는가?
• RQ4 수동 애너테이션 기반 벤치마크와 비교해 볼 때, 대규모 자동 애너테이션 데이터셋을 사용했을 때 성능가능성이 어떻게 변화하는가?
• RQ5 단일 뷰 점군 입력만을 사용해도, 이 방법이 실세계 로봇 조작 작업에 잘 일반화되는가?

주요 결과

• 제안된 대규모 자동 애너테이션 그립 데이터셋에서 REGNet은 GPD, PointnetGPD 및 S$^4$G를 크게 능가한다.
• 그립 앵커의 도입으로 기준 앵커 없는 방법 대비 그립 제안의 국소화 정확도와 신뢰도가 향상된다.
• 세 단계 아키텍처(SN, GRN, RN)는 예측의 효과적인 정밀화를 가능하게 하여 그립 검출 성공률을 높인다.
• 단일 뷰 점군 입력에서 그립 검출 정확도와 강건성 측면에서 최신 기술 수준의 성능을 달성한다.
• 자동 생성된 데이터셋은 효율적인 훈련과 일반화를 가능하게 하여 고비용 수동 애너테이션에 대한 의존도를 감소시킨다.