May, 2020

适用于透明和反光物体抓取的多模态迁移学习

PDF
TL;DR通过多模态感知的学习提高透明和有光泽物体的抓取性能，无需真实试验。
object graspingdepth sensingmulti-modal perceptiontransfer learningtransparent and specular objects
发现论文，激发创造
  • ASGrasp: 从 RGB-D 主动立体相机进行可迁移的透明物体重建与抓取

    本研究针对透明和反射对象的抓取问题，利用 RGB-D 主动立体相机提出了一种名为 ASGrasp 的 6 自由度抓取检测网络，通过透明物体的重建实现材料无关的抓持，优于现有的基于 RGB-D 的方法。

    May, 2024

  • MVTrans：透明物体的多视角感知

    本论文提出了一种名为 MVTrans 的新型多视点方法，采用多种感知能力，包括深度估计、分割和姿态估计，可用于透明物体检测，并建立了一个逼真的数据集合成管道 Syn-TODD 用于网络训练。

    Feb, 2023

  • 透明物体复杂背景下的视觉 - 触觉融合抓取

    本论文提出了一个适用于复杂背景和光线条件下透明对象抓取的视触融合框架，包括抓取位置检测、触觉校准和基于视触融合的分类。该框架综合了视觉和触觉的优势，极大地提高了透明对象的抓取效率。

    Nov, 2022

  • 透明物体的三维形状估计和操作

    ClearGrasp 是一种基于深度学习的方法，能够从单个 RGB-D 图像中准确估计透明物体的 3D 几何形状，以应对透明度对 3D 传感器造成的困扰，其表现优于单眼深度估计基线，并可广泛适用于实际物体的抓取改善。

    Oct, 2019

  • 透明物体深度补全

    我们提出了一种透明物体深度补全的端到端网络，结合了基于单视图 RGB-D 的深度补全和多视图深度估计的优点，并引入了基于置信度估计的深度细化模块，进一步改进了恢复的深度图。在 ClearPose 和 TransCG 数据集上进行的大量实验证明，与现有方法相比，我们的方法在具有显著遮挡的复杂场景中实现了更高的准确性和鲁棒性。

    May, 2024

  • 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

  • 使用可推广的 NeRF 基于多视角的透明和高光物体的 6-DoF 抓取检测 GraspNeRF

    本文提出了一种基于多视角 RGB 的 6 自由度预抓取检测网络 GraspNeRF，利用可转换的神经辐射场（NeRF）实现材料无关的物体预抓取，在杂乱的环境下可实时检测出 6 自由度的抓取，实验结果表明该方法在合成和真实环境中表现优异。

    Oct, 2022

  • TransGrasp：从单个标记实例转移夹持抓取姿态以估计一个物品类别的夹持抓取姿态

    该研究提出了 TransGrasp，一种基于类别级别的抓取姿态估计方法，可以通过标记一个物体实例来预测一个物体类别的抓取姿态，并通过抓取姿态迁移实现抓取动作。实验表明，该方法可以实现高质量的抓取，并提供了源代码。

    Jul, 2022

  • 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

  • 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