GQ-STN: Optimizing One-Shot Grasp Detection based on Robustness\n Classifier
Notice bibliographique
Résumé
Grasping is a fundamental robotic task needed for the deployment of household\nrobots or furthering warehouse automation. However, few approaches are able to\nperform grasp detection in real time (frame rate). To this effect, we present\nGrasp Quality Spatial Transformer Network (GQ-STN), a one-shot grasp detection\nnetwork. Being based on the Spatial Transformer Network (STN), it produces not\nonly a grasp configuration, but also directly outputs a depth image centered at\nthis configuration. By connecting our architecture to an externally-trained\ngrasp robustness evaluation network, we can train efficiently to satisfy a\nrobustness metric via the backpropagation of the gradient emanating from the\nevaluation network. This removes the difficulty of training detection networks\non sparsely annotated databases, a common issue in grasping. We further propose\nto use this robustness classifier to compare approaches, being more reliable\nthan the traditional rectangle metric. Our GQ-STN is able to detect robust\ngrasps on the depth images of the Dex-Net 2.0 dataset with 92.4 % accuracy in a\nsingle pass of the network. We finally demonstrate in a physical benchmark that\nour method can propose robust grasps more often than previous sampling-based\nmethods, while being more than 60 times faster.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».