[论文解读] 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 20

一句话总结

该论文提出了一种轻量级、全卷积神经网络，采用基于高斯分布的抓取表示方法，以实现高效的机器人抓取检测。通过使用二维高斯核编码抓取置信度，集成感受野模块进行多尺度特征提取，并采用多维注意力融合机制，该模型在Cornell数据集上达到98.9%的准确率，在Jacquard数据集上达到95.6%的准确率，参数量仅为467万——显著小于且快于先前方法，同时保持了最先进性能。

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.

研究动机与目标

• 为解决机器人抓取检测中推理速度与准确率之间的权衡问题。
• 开发一种轻量级、单阶段网络，适用于资源受限机器人系统的实时部署。
• 通过增强的特征提取与注意力机制，提升在杂乱场景中的特征可区分性与鲁棒性。
• 通过使用高斯核表示方法，突出最大抓取置信度的中心点，更有效地编码抓取质量。
• 在保持或提升检测准确率的同时，减小网络规模，优于现有方法。

提出的方法

• 提出基于高斯的抓取表示（GGR），用于编码训练样本，利用二维高斯核突出抓取置信度最高的中心点。
• 在瓶颈层集成感受野模块（RFB），以增强多尺度特征提取能力并提升特征可区分性。
• 采用多维注意力融合网络（MDAFN），结合像素与通道注意力，抑制噪声并突出不同形状与尺寸下的相关特征。
• 在解码路径中融合低级与高级特征，以减少特征重建过程中的信息损失。
• 网络为全卷积、单阶段架构，旨在从RGB-D图像端到端估计抓取姿态。
• 在Cornell与Jacquard数据集上进行训练，采用图像级与物体级划分，以评估泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 轻量级、单阶段全卷积网络是否能在机器人抓取检测中实现高准确率与快速推理速度？
• RQ2 基于高斯的抓取表示相较于基于锚框或关键点的方法，在建模抓取置信度方面有何改进？
• RQ3 感受野模块与多维注意力机制的集成在多大程度上提升了特征表示与检测鲁棒性？
• RQ4 尽管在单物体数据集上进行训练，该方法在包含多个物体的杂乱场景中泛化能力如何？
• RQ5 在平衡标签重叠与模型稳定性方面，高斯核的最佳尺度因子是什么？

主要发现

• 所提方法在Cornell数据集上达到98.9%的抓取检测准确率，在Jacquard数据集上达到95.6%，在准确率-速度权衡方面优于最先进方法。
• 网络参数量仅为467万，比竞争方法（如Chu等人，2.16亿；Pinto与Gupta，6000万）小一个数量级。
• 模型实现每张图像5ms的实时推理速度，显著快于如Lenz（13.5秒）与Morrison（3ms）等方法，且参数量远小于后者。
• 消融实验表明，所有组件——GGR、RFBM与MDAFN——均对性能有贡献，完整模型在图像级划分下于Cornell数据集上达到最高准确率（97.8%）。
• 该模型在包含多个物体的杂乱场景中泛化良好，即使在仅使用单物体数据训练的情况下，也能成功检测抓取姿态。
• 失败案例主要出现在小尺寸、复杂形状或被遮挡的物体上，表明数据集多样性可进一步提升鲁棒性。