Sep, 2013

基于数据驱动的抓取合成 - 综述

PDF
TL;DR本文综述了数据驱动的抓取合成、候选抓取采样和排序方法，同时从已知、熟悉和未知物体三个方面探讨了其应用，重点关注物体识别、相似匹配和特征提取等技术，分析了机器人抓取领域的研究进展和未来挑战。
data-driven grasp synthesisobject recognitionpose estimationsimilarity matchingrobot grasping
发现论文，激发创造
  • D-Grasp：手 - 物互动中物理合理的动态抓取合成

    研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

    Dec, 2021

  • 学习抓握：从某处到任何地方

    通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

    Oct, 2023

  • 基于视觉的机器人手爪抓取技术综述：从物体定位、姿态估计到夹爪预测

    本文针对基于视觉的机器人抓取进行了综合调查，总结了视觉基于机器人抓取的三个关键任务：物体定位、物体位姿估计和抓取估计，并详细介绍了这些任务中的传统方法和最新的基于 RGB-D 图像输入的深度学习方法，并总结了相关数据集和最先进方法之间的比较，同时也指出了视觉基于机器人抓取面临的挑战和未来方向。

    May, 2019

  • 同一物体，不同抓取：面向任务的抓取的数据和语义知识

    本论文介绍了一个名为 TaskGrasp 的数据集和一个名为 GCNGrasp 的机器人抓取框架，用语义知识来进行任务驱动的物体抓取。实验结果表明，该模型在处理新对象和新任务方面具有更高的泛化能力。

    Nov, 2020

  • Grasping Field: 学习人手抓取的隐式表示

    通过学习基于隐式表征的对象重建的最新进展，借鉴其思想，提出了一种高效且易于与深度神经网络集成的人体抓握模型表示，通过手、对象和接触区隐式表面的 3D to 2D 映射，生成高质量、物理合理的人体抓握姿态，实验结果表明，与现有方法相比，该方法取得了可比拟的性能。

    Aug, 2020

  • Text2Grasp: 文本提示下的物体抓取部位的抓取合成

    以对象抓取部分的文本提示为引导，提出了一种文本引导的抓取合成方法，该方法包括一个文本引导的扩散模型 TextGraspDiff 和一个手 - 物体接触优化过程，以确保合理性和多样性，实验结果验证了该方法在精确的部位级别抓取控制和抓取质量方面的可比性。

    Apr, 2024

  • 基于自对齐的局部表面隐性表示的抓取迁移

    利用隐式局部表面表示模型，将掌握经验或示范迁移到与机器人之前遇到的对象形状类似的新对象，评估结果表明，该方法可以成功地将掌握迁移到未见过的对象类别，并提供更好的空间精度和掌握准确性。

    Aug, 2023

  • 通过模拟与现实的迁移学习实现精准的无模型机器人抓取

    提出了一种基于数据生成和模拟到真实世界迁移学习的机器人抓握框架，该框架通过减少模拟和实际之间的差距，解决了数据稀疏、传感器数据和接触模型不准确等问题，在单一物品、复杂形状物品和多物品的机器人抓握场景下分别获得了 90.91%、85.71% 的高成功率。

    Jan, 2023

  • 从模拟中学习类别级别任务相关难点抓取技能

    通过模拟学习，本文提出了一种用于学习工业物体的任务相关抓取的框架，同时提出了一种新颖的分类层面的物体中心规范表示，可以在物体实例之间建立密集通信，并将任务相关抓取传递到新实例中。

    Sep, 2021

  • Contact2Grasp: 基于手物接触限制的三维握取合成

    本篇研究通过介绍一种新的中间变量来提高三维抓取合成的效率，以解决现有方法想要直接从物体映射到抓取姿势的非光滑和低效问题，并提出了一种基于接触区域的因子图形式来描述抓取姿态生成过程，并通过实验验证了优化方法的有效性。

    Oct, 2022