ECCVAug, 2020

GRAB: 一个全身人类抓取物体的数据集

PDF
TL;DR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。
whole-body graspsgrab dataset3d object posegenerative networkhuman-object interaction
发现论文，激发创造
  • ContactPose：一份包含物体接触和手姿态的抓取数据集

    介绍了 ContactPose 数据集，它是第一个把手对象接触配对其他数据模态的数据集，并用它来评估接触建模的各种数据表示、文献中的启发式方法和学习方法。

    Jul, 2020

  • 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

  • 生成用于手 - 物抓取的四维全身动作

    本文介绍了一种生成数字人物的方法，使其可以同时进行全身运动和手部抓握以及头部朝向，并且在物理约束和合理性方面都具有逼真和可行性。

    Dec, 2021

  • InterCap: 交互中人和物体的联合无标记 3D 跟踪

    本研究提出了一种名为 InterCap 的新方法，利用多视角 RGB-D 数据和参数化的全身模型 SMPL-X 来重建整体身体和对象的互动情况，并构建了一个名为 InterCap 的数据集，填补了现有文献的空白，并支持许多研究方向。

    Sep, 2022

  • 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

  • ContactDB: 使用热成像技术分析和预测握持接触

    使用红外传感器捕捉和记录了 50 种日常物品的手 - 物体接触点图，研究表明功能意图和物品大小对握取有影响，多种算法用于预测手 - 物体接触点图。

    Apr, 2019

  • DemoGrasp: 人机协作的机器人抓取少样本学习

    通过简单的人类示范，我们提出了一种既不需要大量标注图像，也不受特定几何形状限制的机器人抓取方法：利用一个小的 RGB-D 图像序列构建相关的手和物体网格模型，然后在当前环境中估计物体的姿态并转移所需的抓取指令。

    Dec, 2021

  • Jacquard：用于机器人抓取检测的大规模数据集

    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。

    Mar, 2018

  • 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

  • 从人类活动数据集中学习任务导向的抓取技能

    使用真实世界中的人类活动 RGB 数据集来教授机器人任务导向抓取（TOG），可以训练一个根据 RGB 图像预测手姿态和物体姿态及形态的模型，并在真实世界数据集上显示其可行性和竞争力，同时在机器人上展示了 TOG 的效果。

    Oct, 2019