Antipodale robotische Greifbewegung mittels generativem residuellen Faltungsneuralen Netzwerk

In diesem Artikel präsentieren wir ein modulares robotisches System zur Bewältigung des Problems der Generierung und Durchführung antipodaler Greifbewegungen für unbekannte Objekte basierend auf n-Kanal-Bildern der Szene. Wir schlagen ein neuartiges generatives residuelles Faltungsneuronales Netzwerk (GR-ConvNet) vor, das in Echtzeitgeschwindigkeit (~20 ms) robuste antipodale Greifbewegungen aus n-Kanal-Eingaben generieren kann. Wir evaluieren die vorgeschlagene Modellarchitektur anhand standardisierter Datensätze sowie einer vielfältigen Auswahl an Haushaltsgegenständen. Dabei erreichen wir eine state-of-the-art-Genauigkeit von 97,7 % und 94,6 % auf den Cornell- und Jacquard-Greifdatensätzen, jeweils. Zudem zeigen wir eine Greif-Erfolgsrate von 95,4 % und 93 % bei Haushalts- und adversarialen Objekten unter Verwendung eines 7-DoF-Roboterarms.