Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Affordance Detection for Task-Specific Grasping Using Deep Learning
KTH, Skolan för datavetenskap och kommunikation (CSC), Robotik, perception och lärande, RPL.
KTH, Skolan för datavetenskap och kommunikation (CSC), Robotik, perception och lärande, RPL.
KTH, Skolan för datavetenskap och kommunikation (CSC), Robotik, perception och lärande, RPL.
KTH, Skolan för datavetenskap och kommunikation (CSC), Robotik, perception och lärande, RPL.
2017 (Engelska)Ingår i: 2017 IEEE-RAS 17TH INTERNATIONAL CONFERENCE ON HUMANOID ROBOTICS (HUMANOIDS), Institute of Electrical and Electronics Engineers (IEEE), 2017, s. 91-98Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In this paper we utilize the notion of affordances to model relations between task, object and a grasp to address the problem of task-specific robotic grasping. We use convolutional neural networks for encoding and detecting object affordances, class and orientation, which we utilize to formulate grasp constraints. Our approach applies to previously unseen objects from a fixed set of classes and facilitates reasoning about which tasks an object affords and how to grasp it for that task. We evaluate affordance detection on full-view and partial-view synthetic data and compute task-specific grasps for objects that belong to ten different classes and afford five different tasks. We demonstrate the feasibility of our approach by employing an optimization-based grasp planner to compute task-specific grasps.

Ort, förlag, år, upplaga, sidor
Institute of Electrical and Electronics Engineers (IEEE), 2017. s. 91-98
Serie
IEEE-RAS International Conference on Humanoid Robots, ISSN 2164-0572
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:kth:diva-225257DOI: 10.1109/HUMANOIDS.2017.8239542ISI: 000427350100013Scopus ID: 2-s2.0-85044473077ISBN: 9781538646786 (tryckt)OAI: oai:DiVA.org:kth-225257DiVA, id: diva2:1194484
Konferens
2017 IEEE-RAS 17TH INTERNATIONAL CONFERENCE ON HUMANOID ROBOTICS (HUMANOIDS)
Forskningsfinansiär
WallenbergstiftelsernaStiftelsen för strategisk forskning (SSF)Vetenskapsrådet
Anmärkning

QC 20180403

Tillgänglig från: 2018-04-03 Skapad: 2018-04-03 Senast uppdaterad: 2018-04-06Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Stork, Johannes A.

Sök vidare i DiVA

Av författaren/redaktören
Kokic, MiaStork, Johannes A.Haustein, Joshua A.Kragic, Danica
Av organisationen
Robotik, perception och lärande, RPL
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 198 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf