Oct, 2018

CoSTAR 模块叠放数据集：在工作空间约束下学习

PDF
TL;DR研究表明，对于机器人在不受限制的环境中堆叠实体块的任务中训练的神经网络抓取算法需要更宽松的任务和工作空间约束，因为手动设计的神经网络在此任务中难以推广，因此需要使用新的神经网络算法来预测 3D 姿势并完成这项任务。
roboticsobject graspingneural networksblock stackingdataset
发现论文，激发创造
  • 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

  • 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

  • NBMOD: 在嘈杂背景中发现并抓住它

    提出了一个名为 NBMOD 的大规模抓取检测数据集，包含 20 种不同类型的水果的 31,500 张 RGB-D 图像，以及用于解决定向边界框检测任务的旋转锚定机制（RAM）和一系列轻量级结构，其中 RAGT-3/3 模型在 NBMOD 数据集上实现了 99％的准确率。

    Jun, 2023

  • 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

  • 超越选取和放置：应对多样形状的机器人堆叠

    本文使用增强学习方法和视觉技术在真实环境中完成对复杂物体进行叠放的任务，重点研究了这种方法的优越性和训练问题。

    Oct, 2021

  • 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

  • 3DSGrasp：适用于机器人抓取的三维形状完成

    本文提出了一种名为 3DSGrasp 的新型抓取策略和一种基于 Transformer 编码器 - 解码器网络和 Offset-Attention 层的 PCD 补全网络，该网络不受对象姿态和点置换的影响，可在部分 PCD 的情况下实现可靠的抓取姿势。实验表明，在 PCD 补全任务中，3DSGrasp 的性能优于最先进的方法，并且在实际场景中大大提高了抓取成功率。

    Jan, 2023

  • 基于关系强化学习实现实用的多物体操作

    本文介绍了使用基于图形的关系结构从简单的任务中学习并实现复杂的机器人操作任务，使用了强化学习方法并在喂入少量数据的情况下超越现有的最先进方法，同时也实现了零样本泛化。

    Dec, 2019

  • 家庭机器人学习：提高泛化性能和减少数据集偏差

    研究表明，大多数基于数据驱动的机器人任务都是在实验室环境中收集的大规模数据集上进行训练的，该论文提出了在人们的家庭环境中使用低成本机器人手动搬运收集数据的方法，并开发了一种框架来处理数据中的噪音标签。该模型在采集了 28,000 次抓取数据并针对不同环境条件进行物理性能测试后，相较于实验室收集的数据，展现了明显的 43.7% 的改善，该模型还比其他模型表现 10% 更好。

    Jul, 2018

  • ShapeStacks：学习通用物体堆叠的基于视觉的物理直觉

    本文研究了智能 Agent 在执行复杂任务时所需的物理直觉，提供了一个基于模拟的数据集，利用视觉分类器进行物理稳定性预测，并通过利用被动 / 主动的物理直觉构造稳定的物体堆栈，并观察主动叠加任务引起的物体本质和对象自然属性 - 叠堆特征的引出。

    Apr, 2018