王宗伟

（1.中国科学院上海微系统与信息技术研究所上海200050；2.上海科技大学上海201210；3.中国科学院大学北京100049）

在受限环境下，给定一个或多个物体作为输入，机器人旨在寻求最大化抓取成功概率的机器爪配置。但是，因为待抓取物体的形状各异、摆放姿态不同、周围感知环境类似光照条件的变化等因素的干扰使该问题非常具有挑战性。近年来，视觉感知的方法[1-8]在机器人抓取问题上正在吸引越来越多的注意。简单地说，这些方法从训练样本中学习一个预测抓取角度和位置的模型。因为每个物体的抓取角度并不唯一，人工标注这些样本将耗费大量时间和人力。此外，人工也不可能将所有可能的抓取角度都标注出来。一种替代方法是通过机器人物理实验[5]或者仿真的方法[9]来收集样本。这种方法可以半自动化，节省了大量的人力，但对于未曾出现在训练集里的样本，抓取成功率会下降很多。

为了克服上文提到的问题，本文引入深度领域自适应（deep domain adaptation）的方法将在已经标注的外部数据集上学到的抓取知识迁移到待抓取的新物体上。为描述方便起见，在本文中，我们称已经被标注的大量样本集叫做“源域”（source domain），被标注的待抓取物体组成的少量样本集叫做“目标域”（target domain）。

1 相关研究

1.1 抓取规划（Grasp Planning）

机器人抓取是物体操纵领域研究最为广泛的一个课题。一般来说，目前抓取的方法可以分为两种，一种是几何驱动的，另一种是数据驱动的。其中几何驱动方法在早期的研究中较为常见。……