DexNetAR使用苹果公司的ARKit训练机器人来抓取物体

导读 给大家分享一篇关于互联网和手机的文章。相信很多朋友对互联网和手机还是不太了解，所以边肖也在网上搜集了一些关于手机和互联网的相关知识

给大家分享一篇关于互联网和手机的文章。相信很多朋友对互联网和手机还是不太了解，所以边肖也在网上搜集了一些关于手机和互联网的相关知识与大家分享。希望大家看完之后会喜欢。

加州大学伯克利分校的人工智能研究人员正在使用苹果的iPhone X和ARKit来训练机械臂抓取物体。它是Dex-Net AR的一部分，这是一个使用商用智能手机进行机器人爬行的管道。ARKit通过在物体周围移动RGB相机两分钟来创建点云。

机器人抓取是一个特定的机器人子领域，它专注于教会机器人拾取、移动、操纵或抓取物体的挑战。Autolab在加州大学伯克利分校的敏捷网络研究(Dext-Net)可以追溯到2017年，包括开源的训练数据集和预训练模型，用于电子商务垃圾桶采摘场景中的机器人爬行。机器人快速学习如何抓取物体的能力对像亚马逊配送中心这样的自动化仓库的发展有很大的影响。

在实验室八个物体的前期实验中，Dex-Net AR将ARKit扫描转化为深度图，供ABB米语机器人抓取物体，成功率达95%。每次扫描都会创建一个点云。

最近发表的一篇论文详细介绍了Dex-Net AR:“随着相机在空间中的移动，点云的密度增加，可以更好地检测和定义物体表面进行抓取。“Dex-Net AR可以产生精确的掌握，类似于依靠昂贵的工业级深度传感器的最新系统。与从固定视角(通常自上而下)捕捉图像的深度相机系统相比，Dex-Net AR允许用户围绕整个对象移动智能手机相机，并收集三维点云数据。”

Dex-Net AR采用离群点去除算法和K最近邻算法去除ARKit点云中由估计误差引起的噪声。然后，Dex-Net抓取规划器评估机器人应该如何拾取物体。

因为每个ARKit扫描每个物体需要固定的两分钟，所以研究人员将在未来的研究中寻找更快的方法来扫描物体。该论文表示：“潜在的改进是，我们可以使用基于学习的方法来尝试减少视频捕获的时间，以补充和改进点云数据，前提是只有有限的数据可用。”研究人员还计划探索如何更好地利用iPhone X深度感应相机收集更清晰的点云数据。

Dex-Net AR于上周在国际机器人和自动化会议(ICRA)上发布。会议上发表的其他论文包括探索人类和四足机器人行走下半身骨骼的理想方法的作品。斯坦福大学的一个实验室共享一个多无人机管理系统，该系统使用公共汽车来降低运输成本和能源消耗。谷歌大脑、英特尔AI Lab、Autolab也推出了由AI训练的Motion2Vec，可以通过视频观察进行机器人手术。

本文就为大家讲解到这里了。