Fast Convolutional Neural Network for Real-Time Robotic Grasp Detection

Ribeiro, Eduardo Godinho; Grassi, Valdir

doi:10.1109/icar46387.2019.8981651

Cited by 3 publications

(5 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…We implemented as encoder the following lightweight feature extraction CNNs: MobileNet [126], DenseNet-121 [22] and new variations of the robotic grasp detection network proposed by Ribeiro et al [127]. The aforementioned networks have 0.6M (up to 4M ), 6M and 0.3M (up to 9M ) trainable parameters, respectively, which makes it possible to evaluate the framework at a high frame rate without losing accuracy.…”

Section: Network Architecturementioning

confidence: 99%

“…The CNN depicted in Fig. 2 refers to one of the proposed variations of Ribeiro's model [127]. Due to its efficiency and size, it is designed for the DSN encoder stage.…”

Section: Network Architecturementioning

confidence: 99%

“…2 are redesigned to resemble dense blocks alternated with transition layers. However, the filter ratio ({32, 164, 96, 128}), the kernel size (3 × 3) and the max-pooling operations are preserved, according to what is proposed by Ribeiro et al [127]. Table 2 details 3 lightweight versions of the proposed dense architecture.…”

Section: Network Architecturementioning

confidence: 99%

See 2 more Smart Citations

On deep learning techniques to boost monocular depth estimation for autonomous navigation

Mendes

Ribeiro

Rosa

et al. 2021

Robotics and Autonomous Systems

View full text Add to dashboard Cite

Section: Network Architecturementioning

confidence: 99%

“…The CNN depicted in Fig. 2 refers to one of the proposed variations of Ribeiro's model [127]. Due to its efficiency and size, it is designed for the DSN encoder stage.…”

Section: Network Architecturementioning

confidence: 99%

See 1 more Smart Citation

On deep learning techniques to boost monocular depth estimation for autonomous navigation

Mendes

Ribeiro

Rosa

et al. 2021

Robotics and Autonomous Systems

View full text Add to dashboard Cite

“…Não obstante os desempenhos de técnicas recentes baseadas em CNN apontados em Ribeiro and Grassi (2019), Viereck et al (2017), Mahler et al (2017), Johns et al (2016), Levine et al (2016), Pinto and Gupta (2016) e Lenz et al (2015), essas não ostentaram resultados satisfatórios em sistemas de malha fechada e de tempo real, em virtude dos seus altos custos computacionais e da limitação em não considerar as melhores preensões possíveis entre as geradas, dado um conjunto de objetos desconhecidos e desordenados. A solução do problema da eficiência computacional foi proposta por Morrison et al (2018), apesar de considerar apenas preensões planares e únicas, ou seja, uma preensão factível por objeto.…”

Section: Introdu ç ãOunclassified

Preensão robótica seletiva em 6D utilizando Redes Neurais Convolucionais

Viturino

Conceição

2021

Procedings Do XV Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

This paper proposes a visual system to generate multiple and selective 6D grasps using a Convolutional Neural Network (CNN) called GraspNet and a modified version of a CNN entitled Single Shot Multibox Detector (SSD). GraspNet is a robotic grasping technique, based on Variational Autoencoders, to generate grasps from the point cloud of the object and the end effector. It is capable of generating several grasps for a single object, enabling the exploitation of viable kinematic solutions to avoid collisions with other objects in the robot's workplace. However, this technique does not allow the selection of specific objects to grasp. To mitigate this problem, a modified version of the SSD was applied for the detection and selection of objects. The performance analysis of the proposed system is presented through simulation results in ROS/Gazebo with parts of complex geometry. Resumo: Este artigo propõe um sistema visual de geração preensões múltiplas, seletivas e em 6D, utilizando uma Rede Neural Convolucional (CNN) denominada de GraspNet e uma versão modificada da CNN intitulada Single Shot Multibox Detector (SSD). A GraspNet é uma técnica de preensão robótica, baseada nos Autoencoders Variacionais, para gerar preensões a partir da nuvem de pontos do objeto e do efetuador final. Ela é capaz de conceber diversas preensões para um único objeto, possibilitando a exploração das soluções cinemáticas viáveis para evitar colisões com outros objetos na área de trabalho do robô. No entanto, essa técnica não permite ao manipulador efetuar preensões em objetos de forma seletiva. Para mitigar este problema, uma versão modificada da SSD foi adotada para a detecção e seleção de objetos para a posterior preensão. A análise de desempenho do sistema proposto é apresentada através de resultados de simulação no ROS/Gazebo com peças de complexidade geométrica.

show abstract

“…Apesar do bom desempenho apontado em técnicas recentes baseadas em CNN, como as de Lenz et al (2015), Pinto and Gupta (2016), Levine et al (2016), Johns et al (2016), Mahler et al (2017), Ribeiro and Grassi (2019) e Viereck et al (2017), estas não têm apresentado bons resultados em aplicações em sistemas de malha fechada e em tempo real, em grande parte devido ao seus altos custos computacionais e por nem sempre serem capazes de considerar as melhores preensões possíveis, dado um conjunto de objetos desordenados. Morrison et al (2018) demonstraram experimentalmente que o baixo desempenho em alguns métodos de preensão baseados em CNN está diretamente relacionado ao número de parâmetros da rede eà sua arquitetura.…”

Section: Introductionunclassified

Redes Neurais Convolucionais para Identificação e Preensão Robótica de Objetos

Viturino

Filho

Oliveira

et al. 2020

Anais Do Congresso Brasileiro De Automática 2020

View full text Add to dashboard Cite

Este artigo propõe um sistema em cascata de duas etapas utilizando a Generative Grasping Convolutional Neural Network (GG-CNN) e uma versão modificada da arquitetura Single Shot Multibox Detector (SSD) para a realização de preensões robóticas através de reconhecimento de objetos, utilizando visão computacional. O método proposto foi denominado Single Shot Generative Grasping Convolutional Neural Network (SSGG-CNN). A GG-CNN é uma técnica eficiente de preensão robótica que funciona em objetos de qualquer geometria, conhecida pelo excelente desempenho em malha aberta e malha fechada, através de inferências realizadas em cada pixel de uma imagem de profundidade. No entanto, essa técnica não permite ao manipulador efetuar preensões em objetos de forma seletiva. Este artigo propõe um sistema em cascata de duas etapas utilizando a Generative Grasping Convolutional Neural Network (GG-CNN) e uma versão modificada da arquitetura Single Shot Multibox Detector (SSD) para a realização de preensões robóticas através de reconhecimento de objetos, utilizando visão computacional. O método proposto foi denominado Single Shot Generative Grasping Convolutional Neural Network (SSGG-CNN). A GG-CNN é uma técnica eficiente de preensão robótica que funciona em objetos de qualquer geometria, conhecida pelo excelente desempenho em malha aberta e malha fechada, através de inferências realizadas em cada pixel de uma imagem de profundidade. No entanto, essa técnica não permite ao manipulador efetuar preensões em objetos de forma seletiva. Para mitigar este problema, a versão modicada da SSD foi adotada para a detecção e seleção de objetos para a posterior preensão. Experimentos em malha aberta produziram uma taxa media de sucesso de 85% na preensão de objetos organizados aleatoriamente em superfcie plana. O codigo do projeto está disponível em github.com/lar-deeufba/ssggcnn_ur5_grasping.

show abstract

Fast Convolutional Neural Network for Real-Time Robotic Grasp Detection

Cited by 3 publications

References 25 publications

On deep learning techniques to boost monocular depth estimation for autonomous navigation

On deep learning techniques to boost monocular depth estimation for autonomous navigation

Preensão robótica seletiva em 6D utilizando Redes Neurais Convolucionais

Redes Neurais Convolucionais para Identificação e Preensão Robótica de Objetos

Contact Info

Product

Resources

About