Mar, 2020

基于图像抓取提案与三维重建的机器人抓取

PDF
TL;DR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。
robotic grasp planninglearned networksgeometric reconstructiongrasping tasksuccess rate
发现论文，激发创造
  • 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

  • 多目标动态三维形状重建、6 自由度位姿估计和密集抓取预测实时同时完成

    本文介绍了一种新的方法，通过感知系统提供场景中所有物体的几何和语义信息，同时提供这些物体的可行抓取，以加速机器人操作的复杂度。通过详细的定量分析，我们展示了我们的方法通过在 30 帧 / 秒速度下提供竞争性能，以比较专门用于物体形状、姿态和抓取预测的最新技术方法。

    May, 2023

  • Grasp Proposal Networks: 机器人抓取视觉学习的端到端解决方案

    本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

    Sep, 2020

  • 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

  • 多物体、多抓取实时检测

    本文提出了一种深度学习架构，用于预测机器人操作的适合抓取的位置，通过使用 RGB-D 图像输入的深度神经网络实现对单个或多个对象的多个抓取候选项的预测，实验表明该方法在 Cornell 数据集上表现优于其他方法，在掌握实验中也获得了不错的成功率。

    Feb, 2018

  • 基于 RGB 图像的机器人抓取检测的模块化抗噪声深度学习网络

    通过使用单个 RGB 图像进行模块化学习网络来检测抓取姿势，本研究提出了一种有趣的方法，适用于配备平板夹具的机器人，不仅识别可抓取的物体，还将先前的抓取分析与语义分割融合，从而提高抓取检测精度，并且在处理模糊和嘈杂的视觉情况时表现出弹性，通过实际实验和评估证明了我们提出的方法的可行性和准确性。

    Oct, 2023

  • CenterGrasp：面向对象感知的隐式表示学习，用于同时形状重建和 6 自由度抓取估计

    通过编码形状和有效抓取的连续潜空间，CenterGrasp 框架结合了物体识别和整体抓取，实现了场景的强场景重建和六自由度抓取 - 姿态估计性能的显著改进。

    Dec, 2023

  • 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

  • 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

  • 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