Aug, 2022

Grasp'D: 针对多指手指的可微接触式抓取合成

PDF
TL;DR本文介绍了一种名为 Grasp'D 的方法，它使用可微分接触模拟技术从多指模型的已知模型和视觉输入中实现了掌握合成，其可以在高自由度机械手中稳定、高效、物理现实地实现高接触掌握合成，与解析掌握合成相比，Grasp’D 的结果可以实现 4 倍以上的接触和更高的稳定性。
grasp synthesisdifferentiable contact simulationgradient-based optimizationpower graspshigh contact
发现论文，激发创造
  • ContactGrasp: 从接触中生成多指功能性抓取

    该论文介绍了一种从物体形状和接触中进行功能性抓握合成的框架，成果能用于不同手模型的功能抓握合成，该方法是基于人体接触示范的数据集进行的。

    Apr, 2019

  • Contact2Grasp: 基于手物接触限制的三维握取合成

    本篇研究通过介绍一种新的中间变量来提高三维抓取合成的效率，以解决现有方法想要直接从物体映射到抓取姿势的非光滑和低效问题，并提出了一种基于接触区域的因子图形式来描述抓取姿态生成过程，并通过实验验证了优化方法的有效性。

    Oct, 2022

  • D-Grasp：手 - 物互动中物理合理的动态抓取合成

    研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

    Dec, 2021

  • 高自由度抓取器深度可微分抓取规划

    本篇论文提出了一种利用深度神经网络进行无监督或有限监督机械抓取学习的算法，该算法包括机械臂前向运动、与目标物体的碰撞检测、抓取姿态评价指标的构建，并且通过优化问题的敏感度分析提出了通用的 Q1 抓取评价指标，其中用到 watertight 三角形网格，实现了在各种 3D 形状数据集上比传统方法更高效率和鲁棒度的抓取姿态的学习和训练。

    Feb, 2020

  • GenDexGrasp: 通用型灵巧抓取

    提出了一种基于多型机械手的手无偏见抓取算法 GenDexGrasp，该算法利用接触映射作为机械手无偏见中间表示，采用力闭合优化综合生成了大规模的多手抓取数据集 MultiDex。与先前的方法相比，GenDexGrasp 在成功率、推断速度和多样性之间实现了三重平衡。

    Oct, 2022

  • 多指机械手在杂乱环境中的抓取通过手 - 物体接触语义映射

    将优化方法与生成模型相结合，我们开发了一个新颖的方法来在杂乱的环境中生成五指抓取样本，并通过评估模型改进了抓取质量和碰撞概率，显著提高了在复杂情境中进行五指抓取的实用性。

    Apr, 2024

  • 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

  • GenHeld: 生成和编辑手持物体

    Grasping 主题的研究通过 GenHeld 方法实现了在 3D 或 2D 条件下合成被握住的物体，包括选择、定位和编辑操作，结果展示了高质量和可行性。

    Jun, 2024

  • 统一生成抓取：UGG

    通过在物体点云和手部参数空间中操作，我们引入了一个统一的基于扩散的灵巧抓取生成模型 (UGG)，该模型统一了物体、手部和接触点的信息，引入了一种改进接触建模的新颖表示。我们的模型灵活性和质量使得我们能够集成一个轻量级的鉴别器，通过模拟鉴别数据来推动高成功率同时保持高多样性。除了抓取生成，我们的模型还可以根据手部信息生成物体，为对象设计和研究生成模型的感知提供了宝贵的洞察。我们的模型在大规模的 DexGraspNet 数据集上实现了最先进的灵巧抓取，并促进了以人为中心的对象设计，标志着灵巧抓取研究的重要进展。

    Nov, 2023

  • 人体抓取生成的手 - 物接触连续性推理

    本文提出基于对象接触点和手接触点的一致性设计新目标模型以及自我监督任务来生成人类手的抓取姿态，实验证明该模型在人类手抓取方面比其他最先进方法有了显著的提升，特别是在测试过程中对未见过和超出领域的物体表现出更大的增益。

    Apr, 2021