Contact2Grasp: 基于手物接触限制的三维握取合成
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
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
通过深度学习的手法,优化手的姿态以实现与目标物体的期望接触,并使用一种可微分的接触模型来高效优化手的姿态,以实现期望的接触效果,从而显著提高接触匹配度和人类参与者对于抓取的喜好度。
Apr, 2021
该论文提出了一种新颖的以物体为中心的接触表示方法 ContactGen,用于手 - 物体交互。ContactGen 包括三个组成部分:接触位置的接触图,接触手部的部分图以及每个部分内的接触方向的方向图。通过给定输入物体,我们提出了一个条件生成模型来预测 ContactGen,并采用基于模型的优化来预测多样且几何可行的抓取。实验结果表明,我们的方法能够为各种物体生成高保真度和多样性的人类抓取。项目页面:this https URL
Oct, 2023
以对象抓取部分的文本提示为引导,提出了一种文本引导的抓取合成方法,该方法包括一个文本引导的扩散模型 TextGraspDiff 和一个手 - 物体接触优化过程,以确保合理性和多样性,实验结果验证了该方法在精确的部位级别抓取控制和抓取质量方面的可比性。
Apr, 2024
介绍了 ContactPose 数据集,它是第一个把手对象接触配对其他数据模态的数据集,并用它来评估接触建模的各种数据表示、文献中的启发式方法和学习方法。
Jul, 2020
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。
Aug, 2022
本文提出了一种半监督学习的框架,通过利用视觉和几何一致性约束生成伪标签来实现从单眼图像中学习接触。在使用少量标注数据的情况下,我们的模型能够实现比基于 PointNet 的方法更好的结果。使用接触映射提高了手 - 物体交互的准确性,并可以对领域外的物体进行估计。
Aug, 2022
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