家庭物体识别调研

（一）：

http://pr.cs.cornell.edu/coactive/

这是康奈尔实验室的一个项目，介绍如下：

机器人对物体的移动不光取决于这个移动的路径是否是可行的（有效的，中间的过程无障碍等等），而且还要符合人的偏好，即机器人对物体的移动要和人移动物体那样的自然。如下图：

红色线，蓝色线还有绿色线都是可行的移动路径，但是只有绿色线才是符合人的偏好的，所以他们设定了一个算法由人的反馈去学习人的这个偏好，即通过人的指导去学习怎么规划这个路径以及在一个新的环境下怎么去规划路径

在视频演示里机器人首先做了一个坏的路径，然后人针对这个行为去纠正，然后机器人根据这个纠正形成几个学习后的路径，人再选择其中一个最好的路径，告诉机器人这个路径学习是对的，

（二）：

http://pr.cs.cornell.edu/deepgrasping/

用深度学习检测物体的抓取点，即机器人要抓取物体的哪一部分，比如茶杯，那肯定是抓取茶把。如下图：

此时深度学习的输入是RGBD的数据，

他们的深度学习算法用他们的新型结构化多式联运正则化方法去

(三)：

http://pr.cs.cornell.edu/grasping/

学习去抓取新奇的物体（尤其是第一次看见的），

输入一个图像，然后去预测要抓取的点或者矩形的框，如下图：

上面一组是点，下面一组是框。

（四）：

http://pr.cs.cornell.edu/placingobjects/

Learningto Place New Objects

(五)：

http://pr.cs.cornell.edu/sceneunderstanding/

RGBD下的语义识别，根据视觉，语义特征，环境，结构层之间的关系形成条件随机马尔科夫场图模型，根据图模型进行物体检测，如下图所示：

这个可以进行场景的理解，可以识别家庭里的厨房，客厅等环境。