ACM通信
ACM TechNews
c Berkeley发布大规模的Dex-Net 2.0数据集
一个包含670万个健壮点云和抓点的数据集可以训练你的神经网络可靠地抓取物体。
信贷:AUTOLAB /加州大学伯克利分校
加州大学伯克利分校教授肯·戈德堡(Ken Goldberg)周三宣布了Dex-Net 2.0的大规模数据集发布，该项目利用神经网络开发可靠的机器人抓取一系列刚性物体。
该数据集包含670万个点物体的点云，以及平行爪式的抓取姿势，以及对抓取成功举起并携带物体的可能性的鲁棒性估计。
Goldberg与AUTOLAB的Jeff Mahler合作，训练卷积神经网络来预测特定抓取给定对象的鲁棒性，使用“一个概率模型从[三维]对象网格数据集中生成合成点云、抓取和抓取鲁棒性标签，使用基于物理的抓取、图像渲染和相机噪声模型。”
用一个机器人进行的实验获得了93%的可靠抓取计划，戈德堡说，数据集“可以成为一个有用的资源，用于训练深度神经网络，在多个不同的机器人之间进行抓取计划。”
从IEEE频谱
查看全文
版权所有©2017公司的信息。，美国马里兰州贝塞斯达
没有发现记录