AdaGrasp: 学习自适应夹具感知抓取策略
本文提出了一种基于属性的机器人抓取的端到端学习方法,利用门控 - 注意力机制融合了工作空间图像和查询文本的嵌入,学习预测实例抓取可行性,并利用抓取前后的对象持久性学习了视觉和文本属性的联合度量空间。模型在模拟中自我监督,可推广到新的对象和真实场景,并演示了只用一个抓取数据即可适应新对象的能力。在未知对象上,实验结果表明,我们的方法实现了超过 80%的实例抓取成功率,优于几个基准模型。
Apr, 2021
本文介绍了 EfficientGrasp,它是一种与机械手规格无关的抓握合成和夹爪控制方法。它使用夹爪工作空间特征,可以用更少的数据训练生成更多类型的夹爪,且在模拟和真实环境下的对象抓握实验中,未带环回约束的夹爪的成功率提高了 3.10%,在带有环回约束的夹爪中的成功率为 83.3%。
Jun, 2022
提出了一种新的人机辅助灵巧抓取任务,该任务旨在训练一个用于控制机器人手指来辅助用户抓取物体的策略。通过提出 Grasping Gradient Field(GraspGF)和基于历史的剩余策略,解决了用户意图多样性和物体几何形状的挑战,实验证明了该方法在实际应用中的用户感知和实用性的优越性。
Sep, 2023
本研究提出使用点云观测学习通用的机器人灵巧抓取,将任务分为抓取提案生成和目标条件抓取执行两个阶段,并使用目标条件抓取策略取代运动规划以提高通用性,在大规模机器人灵巧抓取数据集的平凡模型下,通过采样生成高质量多样化的抓取姿势,实现了普适性的抓取方法。
Mar, 2023
通过我们提出的一种新方法,仅使用单个演示,我们实现了工具使用行为的强化学习,通过给予初值设定和形状奖励信号的引导来解决多指机械手抓取配置的推广问题,并实现复杂的工具使用任务并在测试时推广到未见过的工具。
Jul, 2023
提出了一种新颖的物体不可知的方法,用于从现实的点云观察和自我感知信息中学习通用的策略,实现桌面设置下的精细物体抓取,采用了几何意识课程学习和几何意识迭代通用 - 专家学习的方法,提高了泛化性能,成功率分别达到了 85.4% 和 78.2%。
Apr, 2023
本篇论文提出了一种基于深度学习的批判 - 策略方法来解决机器人操作中的困难问题,该问题需要通过一系列推进和抓取动作来捕捉最初看不见的目标物体,并通过自我监督学习的方式进行训练。
Sep, 2019
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
本文提出了一个针对数据收集到模型推理整个过程的新型夹持训练系统,通过抗脊夹持规则来获取有效的夹持样本,并设计了一个效益解释器网络来预测像素级的夹持效益地图,该模型只在模拟环境中训练,结果表明当模型面对全新的物体和背景时,它能做出很好的夹取决策,夹取成功率为 93%。
Feb, 2019