基于多模特征深度学习的机器人抓取判别方法

被引：35

作者：

仲训杲 ^{[1
]}

徐敏 ^{[1
]}

仲训昱 ^{[2
]}

彭侠夫 ^{[2
]}

机构：

[1] 厦门理工学院电气工程与自动化学院

[2] 厦门大学自动化系

来源：

自动化学报 | 2016年 / 42卷 / 07期

关键词：

机器人抓取判别; 降噪自动编码; 叠层深度学习; 多模特征;

D O I：

10.16383/j.aas.2016.c150661

中图分类号：

TP242 [机器人]; TP391.41 [];

学科分类号：

1111 ; 080203 ;

摘要：

针对智能机器人抓取判别问题,研究多模特征深度学习与融合方法.该方法将测试特征分布偏离训练特征视为一类噪化,引入带稀疏约束的降噪自动编码(Denoising auto-encoding,DAE),实现网络权值学习;并以叠层融合策略,获取初始多模特征的深层抽象表达,两种手段相结合旨在提高深度网络的鲁棒性和抓取判别精确性.实验采用深度摄像机与6自由度工业机器人组建测试平台,对不同类别目标进行在线对比实验.结果表明,设计的多模特征深度学习依据人的抓取习惯,实现最优抓取判别,并且机器人成功实施抓取定位,研究方法对新目标具备良好的抓取判别能力.

引用

页码：1022 / 1029

页数：8

共 12 条

[1] 基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别 [J].

耿杰 ;

范剑超 ;

初佳兰 ;

王洪玉 .

自动化学报, 2016, 42 (04) :593-604

[2] 一种连续型深度信念网的设计与应用 [J].

乔俊飞 ;

潘广源 ;

韩红桂 .

自动化学报, 2015, 41 (12) :2138-2146

[3] 深层神经网络中间层可见化建模 [J].

高莹莹 ;

朱维彬 .

自动化学报, 2015, 41 (09) :1627-1637

[4] 机器人视觉伺服研究进展:视觉系统与控制策略 [J].

贾丙西 ;

刘山 ;

张凯祥 ;

陈剑 .

自动化学报, 2015, 41 (05) :861-873

[5] 域自适应学习研究进展 [J].

刘建伟 ;

孙正康 ;

罗雄麟 .

自动化学报, 2014, 40 (08) :1576-1600

[6]

Deep unsupervised network for multimodal perception, representation and classification[J] . Alain Droniou,Serena Ivaldi,Olivier Sigaud.Robotics and Autonomous Systems . 2015

[7] Application of Deep Belief Networks for Natural Language Understanding [J].

Sarikaya, Ruhi ;

Hinton, Geoffrey E. ;

Deoras, Anoop .

IEEE-ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, 2014, 22 (04) :778-784

[8]

Feature learning and deep architectures: new directions for music informatics[J] . Eric J. Humphrey,Juan P. Bello,Yann LeCun.Journal of Intelligent Information Systems . 2013 (3)

[9]

A review of unsupervised feature learning and deep learning for time-series modeling[J] . Martin L?ngkvist,Lars Karlsson,Amy Loutfi.Pattern Recognition Letters . 2013

[10]

Complex-valued autoencoders[J] . Pierre Baldi,Zhiqin Lu.Neural Networks . 2012

← 1 2 →