[论文解读] 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 8

一句话总结

该论文提出了一种字典学习与稀疏表示（DLSR）框架，用于使用微软Kinect的RGBD图像进行机器人抓取检测与识别，实现了最先进的性能，训练速度更快，并且对被遮挡的深度数据具有固有的鲁棒性。在小样本训练数据和无复杂正则化的情况下，其在Cornell数据集上的检测性能优于卷积神经网络（CNN）1.69%，识别性能优于3.16%。

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.

研究动机与目标

• 开发一种感知系统，利用低成本3D传感器（如微软Kinect）获取的RGBD图像，识别适用于2爪平行夹爪的最优抓取位置。
• 解决结构光传感器中常见的深度数据被遮挡的问题，且不依赖于定制化正则化方法。
• 构建一种快速、数据高效的方法，适用于工业部署场景，其中数据集较小且需频繁添加新物体。
• 评估DLSR是否能在抓取识别与检测任务中超越深度学习方法（如CNN）的表现。

提出的方法

• 该框架采用两阶段流程：首先通过字典学习从RGBD图像中提取潜在特征，随后通过稀疏编码表示新观测结果。
• 采用多种稀疏编码策略——正交匹配追踪（OMP）、子空间追踪（ST）和K-奇异值分解（K-SVD）——来编码特征。
• 该方法在理论上可处理深度图中的缺失值，通过在稀疏编码过程中将缺失值视为未知量，避免了插补或正则化的需求。
• 通过在抓取矩形配置（x, y, θ, w, h）上进行网格搜索，检测最优抓取候选，得分通过稀疏表示计算得出。
• 该方法在Cornell抓取数据集上进行评估，同时使用RGB和深度模态，性能与基于CNN的最先进方法进行对比。
• 采用随机图像块采样与输入去相关化初始化字典，实现快速训练和高泛化能力，且超参数调优极少。

实验结果

研究问题

• RQ1 基于DLSR的框架是否能在训练数据有限的情况下，实现优于CNN的抓取检测与识别性能？
• RQ2 DLSR框架如何在不依赖特殊正则化的情况下，处理如微软Kinect等传感器产生的被遮挡深度数据？
• RQ3 不同稀疏编码算法（如OMP、ST、K-SVD）对抓取识别与检测准确率有何影响？
• RQ4 DLSR是否能在小数据集上高效训练，从而适用于需频繁微调的实际机器人部署场景？
• RQ5 引入额外数据集（如Washington数据集）是否能提升在Cornell基准上的性能？

主要发现

• 在Cornell数据集上，DLSR框架在抓取检测准确率上比最先进的CNN方法高出1.69%，在抓取识别准确率上高出3.16%。
• 表现最佳的DLSR组合（NKM-SC）优于所有其他DLSR变体和CNN基线模型，即使仅在标准CPU上训练10分钟。
• 该方法对被遮挡的深度条目表现出内在鲁棒性，无需像深度学习模型通常所需的定制化正则化项。
• 训练时间大幅缩短——300原子字典的训练仅需约10分钟，而CNN则需要数天预训练和数小时微调。
• 添加来自Washington数据集的图像块并未提升性能，表明仅使用Cornell数据集即可提供有效字典学习所需的足够结构信息。
• RP-Natural组合虽然准确率最低，但训练和推理速度最快，因其结构简单，无需超参数，仅需矩阵乘法。