SuctionNet-10 亿:吸盘抓取的大规模基准测试
该论文提出了一种用于多吸盘吸取夹具的无模型预测抓取姿势的新方法,通过神经网络预测了图像中像素级别的抓取质量,进而确定了最佳夹具选择和相应的抓取姿势,同时引入了一种用于训练抓取质量网络的自动标注方法。在具有不同难度的实际工业应用中进行的实验评估证明了我们方法的有效性。
Jul, 2023
本文提出了一种符合性吸盘接触模型,通过估算吸盘与目标表面之间的密封质量和吸盘抵抗外部重力摇臂的能力的测量方式,以描述吸盘技术的稳定性。使用 1500 个 3D 对象模型,生成了 Dex-Net 3.0 数据集,并训练了一个 Grasp Quality Convolutional Neural Network (GQ-CNN) 分类器,在物理试验中获得了 98%,82%和 58%的成果,可在此链接查看相关代码、数据集和补充材料。
Sep, 2017
Sim-Suction 是在动态摄像机视角下针对移动操作平台设计的鲁棒的物体感知吸盘夹持策略。它包括 Sim-Suction-Dataset,这是一个基于分析模型和动态物理仿真相结合的基准合成数据集,用于生成精确的吸盘夹持位姿注释信息,并利用其中的点云可视化信息从 Sim-Suction-Dataset 中学习点云特征,实现在复杂混杂环境中的可靠夹取。
May, 2023
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
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
本文提出了一种新颖的机器人抓取系统,由气泡吸盘和机械手抓手组成。利用可供性地图提供像素级的气泡吸盘升力点候选物,并引入主动探索机制,设计了一种有效的度量来计算当前可供性地图的奖励,并使用深度 Q 网络(DQN)指导机器人手探索环境,实验结果表明,所提出的机器人抓取系统能够大大提高在混乱场景中的机器人抓取成功率。
Feb, 2023
本文提出了一种基于单一演示的机器学习方法 GraspNet,其使用卷积神经网络来检测物体并进行抓取,在实验中使用 Franka Panda cobot,在数百次的训练迭代中训练 GraspNet,能够更加快速地进行精细调整。
Jun, 2018
有效、健壮的抓取姿势检测对于机器人操作至关重要。本论文提出了基于几何线索的质量度量指标 “抓持度”,并发展了一种神经网络模型 GSNet,以加速抓持度的检测,实验证明了该模型的稳定性、通用性和有效性,为各种先前方法提供了显著的准确度提升。
Jun, 2024
基于多视野立体的 STOPNet 框架实现了 6 自由度的透明物体的生产线吸口检测,能够实时重建整个三维场景并获取高质量吸口位姿,具备较好的泛化能力。
Oct, 2023