Mar, 2018

Jacquard：用于机器人抓取检测的大规模数据集

PDF
TL;DR本文提出了一种生成大规模合成数据集的方法 --Jacquard 抓取数据集，并在实验中使用了一个 CNN 模型进行了测试，结果表明该数据集比人工标记的数据集具有更好的性能表现和泛化能力。同时，该文还提供一个网页界面，帮助其他研究人员通过该数据集测试物体的抓取性能。
robotic graspingdeep neural networkssynthetic datasetjacquard grasping datasetgeneralization skills
发现论文，激发创造
  • Jacquard V2：使用人机协同数据校正方法优化数据集

    利用人机互补方法改进 Jacquard 抓取数据集的研究，通过深度学习网络预测物体位置和方向，结合人工操作者的评估，改善了数据集的质量并用于训练神经网络模型。

    Feb, 2024

  • DexGraspNet：基于仿真的通用物体大规模机器人熟练握取数据集

    本文介绍了一个大规模机器人灵巧抓取数据集 DexGraspNet，由于我们提出的高效合成方法生成，可以普遍应用于任何灵巧的机械手。结果显示我们的数据集比以前的具有更多物体和抓取、更高的多样性和质量，并通过多个算法在本数据集上进行的训练，大幅提高了机器人灵巧抓取的准确性。

    Oct, 2022

  • 超级自监督：通过 50K 次尝试和 700 机器人小时学习抓取

    本文采用大规模数据集和多阶段学习方法，使用卷积神经网络对机器人进行抓取任务，与几个基准进行比较，表现出了最先进的泛化能力。

    Sep, 2015

  • GRAB: 一个全身人类抓取物体的数据集

    该研究通过收集一个新的名为 GRAB 的数据集，包含 10 个零件与 51 个日常物品的互动，详细描述了人类整体抓握物品的过程。通过这个数据集，研究者运用生成式网络训练预测人类手部抓握姿态的模型，以帮助更好地理解人体与物品的互动过程。

    Aug, 2020

  • 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

  • 自动生成抓取数据集的域随机化用于模拟到真实场景迁移

    本研究探讨了如何利用自动生成的抓取方法来解决机器人在实际环境中获取对象的问题，并就域随机化、从仿真到实际的转移性等问题进行了分析和研究。

    Oct, 2023

  • 从单次演示中学习抓取

    本文提出了一种基于单一演示的机器学习方法 GraspNet，其使用卷积神经网络来检测物体并进行抓取，在实验中使用 Franka Panda cobot，在数百次的训练迭代中训练 GraspNet，能够更加快速地进行精细调整。

    Jun, 2018

  • 深度学习用于机器人抓取检测

    运用深度学习方法解决机器人抓取问题，通过多模态组规则化结构化正则化权重来处理多模态输入，实现了比之前最先进方法更好的效果，可成功在两个不同的机器人平台上执行抓取。

    Jan, 2013

  • 使用模拟和领域自适应提高深度机器抓取效率

    使用合成数据和领域自适应，可以将在真实世界中所需的样本数缩减至只使用随机生成的合成对象，并且可以使用无标签的真实世界数据和 GraspGAN 方法来获得类似于使用 939,777 个标记的真实世界样本所达到的真实世界抓取性能。

    Sep, 2017

  • 深度卷积神经网络实现机器人抓取检测

    本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

    Nov, 2016