基于视觉的机器人自主抓取评价标准_vision-based robotic grasping from object local al

前言

基于视觉的机器人抓取过程中的三个关键任务，即目标定位、目标姿态估计和抓取估计：

• 目标定位任务包括无分类的目标定位、目标检测和目标实例分割
• 目标姿态估计任务主要是对6D目标姿态进行估计
• 抓取估计任务包括二维平面抓取方法和6自由度抓取方法

机器人抓取涉及检测、分割、姿态估计、抓取点检测、路径规划等任务，本文主要介绍这些任务的评估标准。

目标检测

目标检测领域主要使用IOU这一标准来评估Predict Box与Ground Truth Box之间的重合效果（定位准确性），也称之为交并比。设定Predict Box为A，Ground Truth Box为B，则两者之间的IOU为：

其中 A∩B为两个box的并集， A∪B为两个box的交集。

目标分割

与目标检测相似，目标分割采用mIoU作为评价指标，mIoU计算Ground Truth与预测分割区域的交并比。更为准确地说，为true positives 与 sum of positives， false negatives, and false positives的比值。IoU是以每类为基础计算的，然后平均如下：

6D姿态估计

姿态主要包括旋转量R和平移量T，精度评价标准主要为ADD（Average Distance of Model Points）和ADD-S。给定一个3D模型M，设真实姿态为$R$和 $T$ ，预测出的姿态为$R^{\prime }$和$T^{\prime }$，则ADD方式误差为：

而AAD-S方式主要通过将3D模型M通过预测的姿态映射到指定空间S，与此同时真实姿态将M映射到指定空间H。对于S空间中的每个点，搜索H空间对应的最近点，对这些对应点求平均误差。

抓取点检测

有两个指标来评估抓取检测的性能：点度量和矩形度量。前者评估预测抓取中心与实际抓取中心之间的距离阈值。针对后者，如果抓取角度在Ground Truth抓取的30°范围内，且预测抓取的Jaccard指数大于25%，则后一个度量认为抓取是正确的。
除了上述指标，还存在其它度量来评估预测的抓取点的性能，包括：
1） 成功率或准确率：在摇晃后能够举起、运输和保持所需物体的抓握百分比。
2） 准确度：抓握的成功率估计稳健性高于50%。
3） 鲁棒抓取率：估计鲁棒性高于50%的计划抓取的百分比。
4） 计划时间：接收图像和返回计划抓取之间的时间（秒）。

抓取路径规划

主要通过计算抓取尝试的成功率来定义

参考

• https://mp.weixin.qq.com/s/yKU8oMzai5mkfDoCXLSrVw
• 《Vision-based robotic grasping from object localization, object pose estimation to grasp estimation for parallel grippers a review》
  https://arxiv.org/abs/1905.06658