가우시안 기반의 그립 표현을 활용한 경량 컨볼루션 신경망을 이용한 로봇 그립 감지

딥 러닝 기법은 로봇 집게 탐지 성능 향상에 뛰어난 성과를 거두었으나, 일반적인 물체 탐지에 사용되는 딥 러닝 방법은 로봇 집게 탐지에 적합하지 않다. 현재의 현대적 물체 탐지기는 높은 정확도와 빠른 추론 속도 사이에서 균형을 이루는 데 어려움을 겪고 있다. 본 논문에서는 실제 집게 장면의 n채널 입력 이미지로부터 로봇 집게 자세 추정을 수행하기 위한 효율적이고 견고한 완전 컨볼루션 신경망 모델을 제안한다. 제안된 네트워크는 단일 단계에서 집게 탐지를 위한 경량 생성 아키텍처이다. 구체적으로, 가우시안 커널 기반의 집게 표현 방식을 도입하여 학습 샘플을 인코딩함으로써 중심점 집게 신뢰도를 최대화하는 원칙을 반영하였다. 또한, 다중 스케일 정보를 추출하고 특징의 구분 능력을 강화하기 위해 수용 영역 블록(Receptive Field Block, RFB)을 집게 탐지 아키텍처의 블록 구조에 통합하였다. 더불어, 픽셀 주의 메커니즘과 채널 주의 메커니즘을 결합하여 노이즈 특징을 억제하고 집게 대상의 특징을 강조함으로써 다양한 형태와 크기의 컨텍스트 정보를 자동으로 통합하는 능력을 학습하도록 설계하였다. 공개된 두 가지 집게 탐지 데이터셋인 Cornell 및 Jacquard에서 실시한 광범위한 실험을 통해 제안된 방법이 정확도와 추론 속도 사이의 균형을 잘 유지하는 최첨단 성능을 보임을 입증하였다. 제안된 네트워크는 다른 우수한 알고리즘보다 크기가 10배 이상 작음에도 불구하고, Cornell 데이터셋에서 98.9%, Jacquard 데이터셋에서 95.6%의 정확도를 달성하며 더 뛰어난 성능을 나타냈다.