DemoGrasp: 人机协作的机器人抓取少样本学习
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
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
我们提出了一个新颖的方法,结合了基础模型的出色广化能力和高性能的少样本分类器,作为一个评分函数来选择与支持集更接近的分割,从而克服了现有性能限制,并在 Graspnet-1B 和 Ocid-grasp 数据集以及真实世界的少样本抓取合成中取得了最先进的效果。
Apr, 2024
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
本论文提出了一个新的两步框架,使机器人在非结构化环境中学会抓取并能够从远程的非专家演示中学习,通过分割的方式进行操作,在进行少量示范的情况下估计给定任务的未见场景所需的抓取区域,并有效地允许非专家进行新的抓取策略的远程教学。
Mar, 2023
通过增强现实(AR)远程操作系统,我们提出了一种自我监督的 6-DoF 抓取姿势检测框架,能够高效地学习人类示范,并提供不需要抓取姿势注释的 6-DoF 抓取姿势,实现了对未知物体进行仅仅通过三次示范就能够满意地学习抓取的能力。
Apr, 2024
通过从部分观测中重建和完成其全面几何结构,并利用七自由度的拟人化机器人手进行操作,我们的方法显著提高了只有部分重建的基线的抓取成功率近 30%,并以三个不同的对象类别多次实现了超过 150 次成功抓取,这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力,为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。
Nov, 2023
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
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