Development and Adaptation of Robotic Vision in the Real-World: the Challenge of Door Detection

移动服务机器人在以人为中心的实际场景中越来越普遍，能够在自由室内环境下自主运行。在这样的情况下，机器人视觉在使服务机器人从视觉观察中感知高级环境特征方面发挥着核心作用。尽管基于深度学习的数据驱动方法推动了视觉系统的界限，但将这些技术应用于实际的机器人场景仍然存在独特的方法论挑战。传统模型无法表示服务机器人典型的具有挑战性的感知约束，必须针对机器人最终运行的特定环境进行调整。我们提出了一种方法，利用逼真的模拟平衡数据质量和获取成本，从机器人的视角合成用于训练深层架构的视觉数据集。然后，我们展示了在目标域中为机器人部署通用检测器的优势，同时展示了从该环境获取新示例所需的努力和性能收益之间的权衡。在我们广泛的实验中，我们专注于门检测任务（即识别门的存在和可穿越性），在动态环境中，这对于推断地图的拓扑结构是有用的。我们的发现在实际机器人部署中得到验证，比较了突出的深度学习模型，并展示了我们的方法在实际环境中的有效性。

论文旨在解决服务机器人在室内环境中进行视觉感知的问题，特别是针对门检测任务进行研究。

论文提出了一种利用逼真的模拟数据来训练深度学习模型的方法，以解决真实世界中机器人视觉感知数据不足的问题。

论文使用门检测任务作为案例研究，展示了他们的方法在实际机器人部署中的有效性。实验设计详细，使用了多个数据集，同时开源了代码。

最近在这个领域中，一些相关的研究包括：'Robotic Vision and Control: Recent Advances and Future Directions'，'Deep Learning for Vision-Based Indoor Scene Understanding: A Review of State-of-the-Art'等。