Edge Grasp Network: 基于图形 SE (3) 不变性的抓握检测方法
本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络,通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率,在 Baxter 研究机器人上的实验中,相对于以前的研究成果,我们的方法有了 20%的提高,平均抓取成功率达到了 93%。
Mar, 2016
基于图神经网络的 GraNet 框架在无结构环境下实现了针对 6 维自由度的无对象依赖抓取,通过建立点云场景的多级图并通过图神经网络传播特征,提高了多尺度下的特征嵌入能力,从而实现了高效抓取的空间分布特征建模。该方法在大规模的 GraspNet-1Billion 基准测试中取得了最先进的性能,尤其在抓取未见过的物体上的平均精准度提高了 11.62 个百分点,实际机器人实验也证明了该方法在无结构环境中对分散物体的高成功率。
Dec, 2023
通过一种端到端的神经网络,将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布,其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点,并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度,成功率可达 90% 以上。
Mar, 2021
本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”,基于离散但规则的 3D 网格角上的 “抓握中心锚点”,用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握,这有助于实现更好的仿真结果和更好的实际测试结果。
Sep, 2020
本论文提出了一种端到端的夹持评估模型 (PointNetGPD),可以直接从三维点云中定位机器人夹持配置,采用 350k 点云与夹持数据集来训练,并经过在仿真和实际机器人硬件上的实验测试,结果表明该模型具有较好的泛化性并优于现有的方法。
Sep, 2018
利用变分自编码器和夹取评估模型采样一组夹取,并在模拟和真实机器人实验中评价和修正采样到的夹取,以实现抓取生成。通过纯模拟训练,可在不进行任何额外步骤的情况下运行于实际机器人操作中,具有较高的成功率。
May, 2019
本文提出了一种基于神经网络的学习方法,用于表示高自由度手的抓握姿势,并生成一个包含多种可能抓握的扩充数据集以避免模型的不确定性。该方法使用一致性损失函数和碰撞损失函数进行训练,在多个数据集上均取得了高精度,同时可以应用于噪声对象模型。
Mar, 2019
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
通过分析三维点云中的对象几何形状(简单和复杂),提出了一种基于 PointGrasp 的实时系统,用于识别日常生活中的家居场景,并支持和增强日常活动中的定制化端到端抓取任务,实现可达对象的定位和识别。该系统在简单和复杂几何形状的情况下,平均 RMSE 为 0.8±0.39 cm 和 0.11±0.06 cm,展示了在视觉驱动的机器人辅助康复手动任务中的潜力。
Mar, 2024