ترجمه فارسی مقاله تطبیق مهارت‌ها با درک‌های جدید: رویکردی خودنظارتی

چکیده

In this paper, we study the problem of adapting manipulation trajectories involving grasped objects (e.g. tools) defined for a single grasp pose to novel grasp poses. A common approach to address this is to define a new trajectory for each possible grasp explicitly, but this is highly inefficient. Instead, we propose a method to adapt such trajectories directly while only requiring a period of self-supervised data collection, during which a camera observes the robot’s end-effector moving with the object rigidly grasped. Importantly, our method requires no prior knowledge of the grasped object (such as a 3D CAD model), it can work with RGB images, depth images, or both, and it requires no camera calibration. Through a series of real-world experiments involving 1360 evaluations, we find that self-supervised RGB data consistently outperforms alternatives that rely on depth images including several state-of-the-art pose estimation methods. Compared to the best-performing baseline, our method results in an average of 28.5% higher success rate when adapting manipulation trajectories to novel grasps on several everyday tasks. Videos of the experiments are available on our webpage at https://www.robot-learning.uk/adapting-skills

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما مسئله تطبیق مسیرهای دستکاری را شامل می شود که شامل اشیاء چسبناک (به عنوان مثال ابزارهای) تعریف شده برای یک عکس گرفتن واحد برای ایجاد نکات جدید است.یک رویکرد متداول برای پرداختن به این امر ، تعریف یک مسیر جدید برای هر درک ممکن است صریح است ، اما این بسیار ناکارآمد است.درعوض ، ما روشی را برای تطبیق چنین مسیرها به طور مستقیم پیشنهاد می کنیم در حالی که فقط به یک دوره جمع آوری داده های خود تحت نظارت نیاز دارد ، که در طی آن یک دوربین اثر نهایی ربات را مشاهده می کند که با جسم به سختی درک می شود.نکته مهم ، روش ما نیازی به دانش قبلی در مورد شیء قابل توجه (مانند مدل CAD 3D) ندارد ، می تواند با تصاویر RGB ، تصاویر عمق یا هر دو کار کند و به کالیبراسیون دوربین احتیاج ندارد.از طریق مجموعه ای از آزمایشات در دنیای واقعی که شامل 1360 ارزیابی است ، می فهمیم که داده های RGB خود تحت نظارت به طور مداوم از گزینه های دیگری که به تصاویر عمق متکی هستند از جمله چندین روش تخمین پیشرفته ترین سطح ، بهتر است.در مقایسه با پایه اصلی بهترین عملکرد ، روش ما به طور متوسط ​​28.5 ٪ میزان موفقیت بیشتر هنگام تطبیق مسیرهای دستکاری با تغییر جدید در چندین کار روزمره منجر می شود.فیلم های آزمایشات در صفحه وب ما در https://www.robot-learning.uk/adapting-skills در دسترس است