机器人抓取领域性能评估标准

Original Tom Hardy 3D视觉工坊 2/13

收录于话题

#深度学习&自动驾驶

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

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

为两个box的并集，

为两个box的交集。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 640?wx_fmt=svg

和

，预测出的姿态为

和

，则ADD方式误差为： 640?wx_fmt=svg

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://arxiv.org/abs/1905.06658上述内容，如有侵犯版权，请联系作者，会自行删文。

重磅！3DCVer-学术交流群已成立

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿

▲长按关注我们

机器人抓取领域性能评估标准