使用定向回归损失的精确抓取检测学习

机器人自动抓取在工业应用中具有重要的应用价值。最近的工作探索了机器人抓取检测的深度学习性能。它们通常使用定向锚定盒（OAB）作为检测优先级，并取得比以前更好的性能。然而，其损失的参数属于不同的坐标系，这可能会影响回归精度。本文旨在提出一种面向回归损失的方法来解决损失参数之间的不一致问题。

在定向损失中，地面真实抓取矩形和预测抓取矩形之间的中心坐标误差会旋转到OAB的垂直和水平方向。然后将方向误差作为方向因子，结合旋转中心坐标、预测抓取矩形的宽度和高度的误差。

针对抓取检测任务，在YOLO-v3框架上评估了所提出的定向回归损失。它在康奈尔大学的数据集上使用GTX 1080Ti，以98.8%的精度和每秒71帧的速度产生了最先进的性能。

本文提出了一种面向损失的方法来提高抓取检测深度学习的回归精度。作者将所提出的深度抓取网络应用于视觉伺服智能起重机。实验结果表明，该方法对于实时抓取应用具有足够的准确性和鲁棒性。