Resumen:
La manipulación de objetos es una habilidad clave en los robots de servicio doméstico que tradicionalmente se ha abordado con métodos analíticos y estadísticos, y más recientemente, con técnicas de aprendizaje automático. En este trabajo, se aborda el problema de proponer una pose adecuada del efector final para tomar un objeto a partir de una nube de puntos parcial. Se propone una arquitectura de red neuronal compuesta por tres partes principales: un codificador convolucional, una etapa para obtener la posición del efector final y otra para obtener la orientación. Para proponer las orientaciones, se utilizaron dos enfoques: regresión geodésica y un modelo de mezclas de kernel.
Descripción:
En este trabajo se describe la metodología de diseño de un sistema de planeación de poses de agarre para manipulación de objetos en un robot de servicio con una arquitectura de red neuronal. La cual está basada en redes neuronales convolucionales y modelos probabilístos como modelos de regresión geodésica, modelos de mezclas gaussianos y modelos de mezclas de Von Mises Fisher.
También se describe la creación de un dataset de nubes de puntos de objetos anotado con poses de agarre del efector final. Y métodos de optimización de recursos y optimización bayesiana para la obtención de hiperparámetros.
Finalmente se realiza un análisis de rendimiento en un ambiente simulado y se compara con un sistema de planeación de agarres basado en métodos geométricos y análisis de componentes principales.
