編者按：關于訓練機器人抓手的研究并不少，大多都是從計算機視覺的角度出發，訓練機器人“看得清”、“抓得準”。本文同樣如此，不過與以往觀察彩色圖片不同，伯克利的研究者們借助“深度圖像”這個“利器”，提出了一種更加高效的方法，能讓機器人成功抓起此前并未見過的物體。

左：3D立方體。右：對應深度圖像，距相機越近顏色越深。

早在AlexNet誕生的兩年前，微軟就為X-Box推出了Kinect。隨著深度學習加速了超參數函數的性能，這種低成本的深度感知器層出不窮，也使得深度學習在圖像分類、語音識別和語言翻譯中取得了驚人的效果。如今，深度學習在端到端的電子游戲、機器人操控等問題中也表現出大有前景的勢頭。

在機器人感知方面，類似于VGG或ResNet的卷積神經網絡成為了主流選擇。在一些機器人或計算機視覺的任務中，常會用到這些框架，附帶有經過與訓練的權重，進行遷移學習或對具體數據進行微調。但是在某些任務中，只了解圖像的顏色是很有限的。當你想訓練機器人抓住一個陌生物體時，更重要的是讓機器人了解周圍環境的幾何結構，而不僅僅是顏色和材質。對目標物體進行控制時的物理過程，即通過力量控制一個或多個物體，取決于目標的形狀、擺放位置和其他和顏色無關的因素。例如，當你手中拿筆時，不用看就能改變手中筆的位置。于是，這里有一個問題：這在彩色圖像上也能成立嗎？

與彩色圖像相對應的是深度圖像，它是只有單個通道的灰度圖像，可以測量到相機的深度值，讓我們了解一幅圖像中目標物體的除了顏色以外的特征。我們還可以用深度來“過濾”一定范圍之外的點，這可以用來去除背景噪聲（如文中開頭的圖像示例）。

這篇文章中，我們將深度圖像和深度學習結合起來，用在伯克利AUTOLab三個正在進行的項目中：用于機器人抓取的Dex-Net、復雜目標分割以及讓機器人整理床鋪。

深度感知簡介

深度圖像將物體表面到相機的距離進行編碼，顯示出了特殊的視角。在文章開頭的案例圖片里，左邊的立方體3D結構圖中有很多點都處于離相機不同的位置上。右邊的深度圖像中，顏色越深的地方表示距離相機越近。

深度感知最近的成果

在計算機視覺和深度學習不斷進步的同時，深度感知領域也出現了許多成果。

通常，深度感知會將兩個不同相機生成的RGB圖像結合在一起，然后利用生成的視差圖獲取物體在環境中的深度值。

目前常用的深度傳感器是結構光傳感器，它可以用一種看不見的波長將一直物體的形狀投射到某場景中，比如我們熟知的Kinect。另一種深度感知的方法就是LIDAR，這種技術此前常用于地形測繪，最近在一些自動駕駛汽車上也出現了它的身影。LIDAR比Kinect生成的深度映射質量更高，但是速度較慢、成本高昂，因為它需要掃描激光器。

總的來說，Kinect屬于消費級RGB-D系統，可以通過硬件直接捕捉到RGB圖像，以及每個像素的深度值，比此前的很多方法更快更便宜。現在，很多用于研究或工業的機器人，例如AGV或人形輔助機器人，都含有類似的內置深度感知相機。未來用于機器人的深度感知設備很可能會進一步升級。

相關研究

針對機器人的深度感知，研究人員將這一技術用于實時導航、實時映射和追蹤以及對室內環境的建模。由于深度感知能讓機器人知道它們距離障礙物有多遠，就能使其進行定位，在導航時避免碰撞。除此之外，深度圖像還用于實時檢測、辨別、定位人的身體部位等研究中。

這都說明在某些任務中，深度圖像可以蘊涵很多除了顏色之外的有用信息。接下來，我們研究了三種不同任務

案例一：機器人抓取

讓機器人抓取從未見過的物體是目前一個重要的難題。雖然很多研究者使用RGB圖像，但他們的系統需要讓機器人訓練好幾個月的抓取動作。利用3D目標網格的關鍵有點就是，研究人員可以通過渲染技術精確地合成深度圖像。

我們的Dex-Net是AUTOLab正在進行的研究項目，它包括訓練機器人抓取策略的算法、代碼。以及用于訓練抓取的數據集。Dex-Net提出在抓取狀態下的域隨機算法，目的是用簡單的抓手抓取復雜目標物體。在BAIR此前的博文中，我們介紹了含有670萬個樣本的數據集，我們用它來訓練抓取模型。

數據集和深度圖像

上圖展示了Dex-Net的數據集生成過程。首先，我們從多個來源中得到大量目標物的網格模型，并進行強化。每個模型都會被機械手抓起來進行采樣。有了網格模型和被抓起后的圖像，我們計算出它的魯棒性，并生成模擬深度圖像。通過計算擺放位置、摩擦力、質量、外力（例如重力）和蒙特卡羅積分法，計算出抓取成功地概率，從而對魯棒性進行估計。上圖右邊，我們展示了正采樣（抓取成功）和負采樣（抓取失敗）的例子。

訓練GQ-CNN

有了模擬數據集后，它們將用來訓練一個抓取質量卷積神經網絡，來預測機器人抓取成功的概率。結構如圖所示，一張圖像經過處理后，調整了角度和抓取中心，同時對應的96×96的深度圖像被當做輸入，高度為z，用于預測抓取的成功概率。

下圖我們展示了Dex-Net用于在某個容器內，對多個目標物體進行抓取的模擬深度圖像：

上行：ABB Yumi機器人的攝像機捕捉到的真實深度圖像

下行：Dex-Net的模擬深度圖像，紅色表示抓取的位置

案例二：在箱子中分割物體

實例分割就是判斷圖像中的像素屬于哪個物體，同時也要將同一類別中的每個物體分開。實例分割在機器人感知中很常用。例如，想讓機器人從裝滿物體的紙箱中選擇目標物體，首先就要對圖片進行分割，定位到目標物體，再進行抓取。

先前的研究表明，Mask R-CNN可以用于訓練對RGB圖像的目標分割，但是這一訓練需要大量經過手動標記的RGB圖像數據集。除此之外，用于訓練的圖像必須是自然場景下包含有限的目標物體種類。所以，預訓練Mask R-CNN網絡可能不適用于倉庫這種雜亂的場景。

數據集和深度圖像

上圖是數據集的生成過程。和Dex-Net類似，我們對3D目標物體進行采樣，然后通過模擬，將這些物體堆放在一個盒子中。生成對應的深度圖像，以及用于訓練的目標物體掩碼和標準評估圖像。

對于基于幾何形狀的分割，我們可以用模擬和渲染技術，自動收集大量用于訓練的數據集和經過標記的深度圖像。我們假設，這些深度圖像可能含有足夠的用于分割的信息，因為各物體之間的像素邊界不連貫。最終我們收集了5萬張深度圖像組成了數據集，并通過PyBullet模擬器將它們匯聚到盒子里。利用這一數據集，我們訓練了另一個版本的Mask R-CNN，我們稱之為SD Mask R-CNN。

實際分割結果

雖然沒有在真實圖像上訓練，我們提出的SD Mask R-CNN的表現超過了點云分割和經過改進的Mask R-CNN。如上圖所示，我們的模型可以準確進行分割。更重要的是，用于創造手動標簽數據集的目標物體并不是從SD Mask R-CNN的訓練分布中選擇的，而是常見的家用物品，我們并沒有它們的3D模型。所以，SD Mask R-CNN可以預測此前從未見過的物體掩碼。

總的來說，我們的分割方法有三大優點：

深度信息在分離目標或者背景時，其中編碼了很多有用信息；

合成深度圖像可以快速生成，用它們訓練可以高效地轉移到現實圖像中；

用深度圖像訓練過的網絡對此前未見過的物體泛化結果更好

案例三：讓機器人整理床鋪

整理床鋪可以運用于家庭機器人身上，因為它沒有時間限制，并且可以允許出現小差錯。在此前的文章中，我們研究了用RGB圖像，將其看作是序列決策問題，實現更好的模擬學習。

數據集和深度圖像

我們將整理床鋪的任務看作是檢測毯子的四個角，家庭機器人需要抓起毯子，并且把它的角和床對齊。我們最初的假設是深度圖像含有足夠的有關毯子的幾何形狀的信息。

為了手機訓練數據，我們使用的是白色的毯子，將四個角用紅色標記，如上圖所示。重復幾次將毯子隨意仍在床上，然后從機器人內置的RGB-D傳感器中采集RGB圖像和深度圖像。

接下來，我們訓練一個深度卷積神經網絡，只從深度圖像中檢測它的四個角。我們希望網絡可以泛化到能檢測出不同毯子的四角。我們的深度網絡使用了YOLO中的與訓練權重，之后添加了幾個圖層。結果表明，利用預訓練權重是非常有效果的。

毯子檢測結果

我們將訓練策略實施之后，模型表現出了優秀的結果，超越了無學習的基準策略，幾乎和人類完成的效果相當。雖然我們這里檢測的標準是毯子是否最大程度地覆蓋了床，不過這也說明，只有完成了精準的檢測，才能實現高度覆蓋。

結語

通過這三個項目的實踐，我們的結果表明深度圖像在進行物體抓取、圖像分割和不規則物體頂點檢測三方面，包含了許多有用的線索。我們認為，隨著深度相機質量的提高，深度圖像對機器人的應用越來越重要。有了深度圖像，訓練樣本的合成更加簡單，背景噪音也能更容易地過濾掉。