Jan, 2020

DGCM-Net：稠密几何对应匹配网络用于增量式经验机器人抓取

PDF
TL;DR通过学习经验，实现对新物体的抓取。引入密集几何对应匹配网络进行学习，以将相似几何结构的物体编码到近邻特征空间中，从而实现对未见物体的推广。最终实现成功率的提升和任务功能的优化。
发现论文，激发创造
  • CMG-Net: 一种端到端基于接触的多指灵巧抓取网络

    本论文提出了使用多指机器人手和被操作物体之间的接触来表示抓取的新方法，并通过一个端到端的网络实现在杂乱环境中抓取未知物体的目标。同时，我们创建了一个包括五千个场景的综合数据集，并进行了全面的实验研究，实验结果表明，我们的方法表现优于目前最先进的三指机械手抓取方法。

    Mar, 2023

  • DGC-Net：密集几何对应网络

    本研究针对两幅图像之间密集像素对应估计的挑战进行探讨，提出了一种基于粗到细的 CNN 框架，能够扩展光流方法的优势，解决大范围变换并提供密集和亚像素准确估计的问题，并在相对摄像机姿态估计问题上表现优异。

    Oct, 2018

  • 学习几何感知抓取的连续三维重建

    本文提出了一种基于学习的 3D 重建技术，以实现机器人夹抓系统中的几何感知，并通过 96 次机器人夹抓试验来验证了这种技术对于夹抓度量和识别非预期接触具有积极意义。

    Oct, 2019

  • 密集物体网络：通过机器人操作学习密集视觉物体描述符

    本文提出一种基于无监督学习的密集物体描述学习方法：Dense Object Nets，可用于视觉理解和操作，适用于针对刚性和非刚性物体的各种操作任务，并能够为多个物体类别提供通用描述。

    Jun, 2018

  • 基于图像抓取提案与三维重建的机器人抓取

    本文介绍了一种基于学习抓取提案网络和学习三维形状重建网络的机器人抓取规划方法，使用几何重建来优化抓取提案网络生成的抓取点，实现了在图像中看不到抓取位置的情况下，对已知和未知物体进行准确抓取。实验结果表明，与其他模型相比，该方法在抓取任务中取得了更高的成功率。

    Mar, 2020

  • 通过密集像素匹配进行几何图像对应验证

    本文针对在图像检索中几何对应验证，提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型，并通过实验证明了该模型具有竞争力。此外，将该方法应用于长期视觉本地化问题，并在跨数据集上进行了验证。

    Apr, 2019

  • 自然语言条件下握物检测联合网络

    该论文提出了一种名为 CGNet 的模型，通过使用基于自然语言命令查询目标对象，直接从 RGB 图像和文本命令输入中输出命令满足的抓取。在基于 VMRD 数据集生成的基础上进行训练，该模型的实验结果比级联物体检索和抓取检测基线要优越很多，并通过三个物理实验证明了该模型的功能和性能。

    Apr, 2021

  • 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

  • 多模态几何学习用于抓取和操作

    本文提出使用 3D 卷积神经网络结构，融合深度学习和触觉信息来生成可用于机器人操作的丰富准确的三维模型，并通过实验证明，在几何推理方面具有优越性。

    Mar, 2018

  • 面向物理无关对象的元学习再抓取策略

    本文介绍了一种基于视觉的元学习算法 DexNet-CNP，通过条件神经过程来学习不同物理特性进行抓取，模型在各种物体上的测试结果优于 DexNet-2.0。

    May, 2022