[論文レビュー] Dictionary Learning for Robotic Grasp Recognition and Detection

Ludovic Trottier, Philippe Giguère+1 more|arXiv (Cornell University)|Jun 2, 2016

Robot Manipulation and Learning参考文献 32被引用数 8

ひとこと要約

本論文は、Microsoft KinectからのRGBD画像を用いたロボットグリップ検出および認識のための辞書学習とスパース表現（DLSR）フレームワークを提案する。本フレームワークは、高速なトレーニングとマスク処理済み深度データに対する本質的頑健性を備えており、最先端の性能を達成している。トレーニングデータが少ない状況でも、複雑な正則化を用いずに、CNNよりも検出で1.69%、認識で3.16%の性能向上を達成している。

ABSTRACT

The ability to grasp ordinary and potentially never-seen objects is an important feature in both domestic and industrial robotics. For a system to accomplish this, it must autonomously identify grasping locations by using information from various sensors, such as Microsoft Kinect 3D camera. Despite numerous progress, significant work still remains to be done in this field. To this effect, we propose a dictionary learning and sparse representation (DLSR) framework for representing RGBD images from 3D sensors in the context of determining such good grasping locations. In contrast to previously proposed approaches that relied on sophisticated regularization or very large datasets, the derived perception system has a fast training phase and can work with small datasets. It is also theoretically founded for dealing with masked-out entries, which are common with 3D sensors. We contribute by presenting a comparative study of several DLSR approach combinations for recognizing and detecting grasp candidates on the standard Cornell dataset. Importantly, experimental results show a performance improvement of 1.69% in detection and 3.16% in recognition over current state-of-the-art convolutional neural network (CNN). Even though nowadays most popular vision-based approach is CNN, this suggests that DLSR is also a viable alternative with interesting advantages that CNN has not.

研究の動機と目的

• 低コストの3Dセンサ（例：Microsoft Kinect）からのRGBD画像を用いて、2枚のプレートをもつ平行グリッパーの最適なグリップ位置を特定する認識システムを開発すること。
• 構造化光センサで一般的に見られるマスク処理済みの深度エントリに対処するが、カスタム正則化に依存しないこと。
• データ効率が良く、産業用デプロイメントに適した高速な手法を提供すること。特に、データセットが小さく、頻繁に新しい物体が追加される状況を想定すること。
• DLSRが、グリップ認識および検出タスクにおいて、CNNのようなディープラーニングアプローチを上回る可能性があるかどうかを評価すること。

提案手法

• フレームワークは2段階のプロセスを採用する：まずRGBD画像から潜在的特徴を抽出するための辞書学習を行い、次に新しい観測値を表現するためのスパースコーディングを行う。
• 特徴を符号化するために、直交マッチング Pursuit（OMP）、部分空間 Pursuit（ST）、K特異値（K-SVD）といった複数のスパースコーディング戦略を採用する。
• 欠損値を未知数として扱うことで、スパースコーディング中にマスク処理済みの深度マップに対処する理論的根拠を有しており、補完や正則化の必要がない。
• グリップ矩形の配置（x, y, θ, w, h）のグリッドサーチを実施し、スパース表現によるスコア計算によって最良のグリップ候補を特定する。
• 本手法は、RGBおよび深度モダリティを用いて、Cornell Grasping Dataset上で評価され、CNNベースの最先端手法と性能を比較している。
• 辞書の初期化に、入力の非相関化を伴うランダムパッチサンプリングを用いることで、最小限のハイパーパramータチューニングで高速なトレーニングと高い汎化性能を実現している。

実験結果

リサーチクエスチョン

• RQ1 DLSRベースのフレームワークは、トレーニングデータが限られている状況でも、特にCNNよりも優れたグリップ検出および認識性能を達成できるか？
• RQ2 DLSRフレームワークは、Microsoft Kinectのようなセンサからのマスク処理済み深度データに対し、特別な正則化を必要とせずにどのように対処するか？
• RQ3 異なるスパースコーディングアルゴリズム（例：OMP、ST、K-SVD）が、グリップ認識および検出の精度に与える影響は何か？
• RQ4 DLSRは、小さなデータセット上で効率的にトレーニング可能であり、頻繁な再トレーニングを伴う実世界のロボットデプロイメントに適しているか？
• RQ5 ワシントンデータセットからの追加データを組み込むことで、Cornellベンチマークでの性能が向上するか？

主な発見

• DLSRフレームワークは、Cornellデータセットにおいて、最先端のCNN手法よりもグリップ検出精度で1.69%、グリップ認識精度で3.16%の向上を達成した。
• 最も優れたDLSRの組み合わせ（NKM-SC）は、他のすべてのDLSRバリアントおよびCNNベースラインを上回った。これは、標準CPU上でたった10分間のトレーニングでも達成された。
• 本手法は、マスク処理済みの深度エントリに対して本質的頑健性を示し、通常のディープラーニングモデルで必要とされるカスタム正則化項の必要性を排除した。
• トレーニング時間は劇的に短縮された。300原子の辞書に対して約10分間で完了したが、CNNは数日間の事前学習と数時間のファインチューニングを要した。
• ワシントンデータセットからのパッチを追加しても性能向上が得られず、Cornellデータセット自体が、効果的な辞書学習に十分な構造的情報を提供していることが示された。
• RP-Naturalの組み合わせは、精度が最も低かったが、その単純さのおかげで最も高速なトレーニングと推論を実現した。ハイパーパramータが一切不要で、行列乗算のみで実行可能だった。