Nov, 2020

同一物体，不同抓取：面向任务的抓取的数据和语义知识

PDF
TL;DR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。
robotic graspingtaskgrasp datasetgcngrasp frameworksemantic knowledgetask-oriented grasps
发现论文，激发创造
  • 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

  • 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

  • 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

  • Grasp-Anything: 基于 Foundation Models 的大规模抓取数据集

    本文利用基础模型解决机器人抓取检测的挑战，通过使用基础模型创建全新的大规模抓取数据集 Grasp-Anything，该数据集在多样性和规模上超过了先前的数据集，并成功实现了零样本抓取检测的视觉任务和实际机器人实验。

    Sep, 2023

  • 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

  • 从模拟中学习类别级别任务相关难点抓取技能

    通过模拟学习，本文提出了一种用于学习工业物体的任务相关抓取的框架，同时提出了一种新颖的分类层面的物体中心规范表示，可以在物体实例之间建立密集通信，并将任务相关抓取传递到新实例中。

    Sep, 2021

  • ShapeGrasp：零射击任务导向的大型语言模型通过几何分解感知抓取

    通过几何分解目标物体为简单的凸形状并将其表示为图形结构，包括几何属性和空间关系，利用大型语言模型的常识推理能力来动态分配语义含义，并对每个分解部分在特定任务中的效用进行推理，实现了一种新颖的零样本任务导向抓取方法。通过在真实世界的机器人平台上进行广泛实验，我们证明了我们的抓取方法的分解与推理管道在 92% 的情况下能够选择正确的部分，并且在 82% 的任务中成功抓取目标物体。

    Mar, 2024

  • 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

  • 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