基于坐标注意力的杂乱环境中机器人推抓协同学习

为提升机器人在杂乱环境中推抓协同性能、增强网络感知物体位置和物体间的位置信息的能力,提出一种基于物体位置信息的推动与抓取协同网络来解决机器人在杂乱环境中的抓取问题。该网络使用2个全卷积网络分别从视觉观察中推断出抓取和推动操作的位置与方向。使用坐标注意力模块分别沿着二维空间的2个方向聚合特征,即在水平空间方向上捕获长距离依赖关系的同时在垂直空间方向上保持物体的位置信息。然后生成推动和抓取的位置特征的注意力图,以提升网络推断操作位置的准确性。提出物体分散度从全局角度衡量环境中物体间的分散程度,并设计基于物体分散度的推动奖励函数来提升推动动作的质量。在仿真实验中,该网络的抓取成功率和动作效率分别为75.1%和73.2%。在现实世界中,该网络的抓取成功率和动作效率分别为80.1%和76.2%。

杂乱环境中改进的目标检测跟踪算法

目标检测跟踪技术在当今社会的发展与应用越来越广泛。在杂乱环境中的目标检测跟踪,由于受到环境背景的影响,跟踪目标容易发生目标跟踪漂移现象、跟踪丢失或者无跟踪问题。基于经典MOSSE算法,提出改进的检测跟踪算法,实现滤波器产生误差时及时修正,很大程度上提高了检测与跟踪的准确性和实时性,降低了漂移问题导致的跟踪失败的概率。