Core Concepts
Durch einen zweistufigen Lernansatz mit Übertragung des erlernten visuellen Merkmalsraums auf ein haptisch-akustisches Modell können die Form, Position und Orientierung verborgener Objekte effizient erkannt werden.
Abstract
In dieser Arbeit wird ein zweistufiger Lernansatz vorgestellt, um die Eigenschaften verborgener Objekte wie Form, Position und Orientierung zu erkennen.
In der ersten Phase wird ein visuelles Modul trainiert, das direkt beobachtbare Objekteigenschaften aus Kamerabildern lernt. Der erlernte Merkmalsraum dieses Moduls wird dann in der zweiten Phase an ein haptisch-akustisches Modul übertragen, das nur indirekte Sensorinformationen wie Kraft, Drehmoment, Taktil- und Audiosignale nutzt.
Der Transfer des visuellen Merkmalsraums ermöglicht es dem haptisch-akustischen Modul, die Objekteigenschaften deutlich genauer vorherzusagen als ein Basismodell ohne diesen Transfer. Dies wird sowohl in Offline-Tests als auch in Experimenten mit einem Roboterarm demonstriert.
Der vorgestellte Ansatz zeigt, dass durch die Kombination direkter und indirekter Sensorinformationen die Erkennung verborgener Objekteigenschaften deutlich verbessert werden kann. Dies ist wichtig, um Roboter in die Lage zu versetzen, Objekte stabil und effizient zu handhaben, auch wenn deren Eigenschaften nicht direkt beobachtbar sind.
Stats
Die durchschnittlichen Fehler bei der Vorhersage der Objektposition betrugen 23,80 mm und der Orientierung 11,84 Grad.
Die Erkennungsrate der Objektform lag bei 71,1%.
Quotes
"Durch den Transfer des erlernten visuellen Merkmalsraums konnte die Genauigkeit der Vorhersage von Position, Orientierung und Form deutlich gesteigert werden."
"Der vorgestellte Ansatz zeigt, dass die Kombination direkter und indirekter Sensorinformationen die Erkennung verborgener Objekteigenschaften signifikant verbessert."