Fermeture de la boucle pour la saisie robotique : une approche en temps réel de synthèse générative de saisies

Cet article présente une méthode de synthèse de préhension en temps réel et indépendante des objets, adaptée à la préhension en boucle fermée. Notre réseau de neurones convolutif génératif pour la préhension (GG-CNN) prédit, pour chaque pixel d'une image de profondeur, la qualité et la pose d'une préhension. Ce mapping un-à-un à partir d'une image de profondeur surmonte les limitations des techniques actuelles basées sur l'apprentissage profond en évitant l'échantillonnage discret des candidats à la préhension ainsi que les temps de calcul longs. En outre, notre GG-CNN est d'un ordre de grandeur plus léger tout en détectant des préhensions stables avec une performance équivalente à celle des méthodes de pointe actuelles. La nature légère et à passage unique de notre GG-CNN permet un contrôle en boucle fermée jusqu'à 50 Hz, ce qui rend possible une préhension précise dans des environnements non stationnaires, où les objets sont en mouvement ou en présence d'incertitudes dans le contrôle du robot. Dans nos expérimentations réelles, nous atteignons un taux de succès de 83 % sur un ensemble d'objets auparavant inconnus présentant une géométrie complexe, ainsi qu'un taux de 88 % sur un ensemble d'objets domestiques déplacés pendant l'acte de préhension. Nous obtenons également un taux de précision de 81 % lors de préhensions dans un environnement encombré dynamique.