UniDexGrasp: 通过学习多样性提议生成和目标条件策略实现普适机器人灵巧抓握

CVPRMar, 2023

UniDexGrasp: 通过学习多样性提议生成和目标条件策略实现普适机器人灵巧抓握

UniDexGrasp: Universal Robotic Dexterous Grasping via Learning Diverse Proposal Generation and Goal-Conditioned Policy

Yinzhen Xu, Weikang Wan, Jialiang Zhang, Haoran Liu, Zikang Shan...

TL;DR本研究提出使用点云观测学习通用的机器人灵巧抓取，将任务分为抓取提案生成和目标条件抓取执行两个阶段，并使用目标条件抓取策略取代运动规划以提高通用性，在大规模机器人灵巧抓取数据集的平凡模型下，通过采样生成高质量多样化的抓取姿势，实现了普适性的抓取方法。

Abstract

In this work, we tackle the problem of learning universal robotic dexterous grasping from a point cloud observation under a table-top setting. The goal is to grasp and lift up objects in high-quality and diverse ways and generalize across hundreds of categories and even the unseen. Ins

dexterous grasping point cloud observation probabilistic model goal-conditioned grasp execution generalization

发现论文，激发创造

UniDexGrasp++: 基于几何感知课程和迭代综合 - 专业学习改进灵巧抓取策略学习

提出了一种新颖的物体不可知的方法，用于从现实的点云观察和自我感知信息中学习通用的策略，实现桌面设置下的精细物体抓取，采用了几何意识课程学习和几何意识迭代通用 - 专家学习的方法，提高了泛化性能，成功率分别达到了 85.4% 和 78.2%。

Apr, 2023

GraspXL: 大规模生成多样化物体的抓取动作

我们提出了一种无需 3D 手物体交互数据的策略学习框架 GraspXL，通过统一多种运动目标、多样化的物体形状和灵巧的手形态，可以可靠地合成多样化的抓取运动，且能够在超过 500,000 个未知物体中的 82.2% 上成功。

Mar, 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

学习基于评分的人类辅助灵巧抓取基元

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

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

学习抓握：从某处到任何地方

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

从人类抓握机会学习具有普适性的熟练操作

本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。主要采用人类抓握可行性模型生成 3D 物体演示，以实现策略的泛化。同时，本研究使用了新颖的模仿学习目标，以及几何表示学习目标，通过在仿真系统中重新定位多样的对象以证明本方法的有效性。

Apr, 2022

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

Grasp Proposal Networks: 机器人抓取视觉学习的端到端解决方案

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

AdaGrasp: 学习自适应夹具感知抓取策略

该论文提出了 AdaGrasp 方法，通过使用大量的末端执行器、模拟训练以及视觉观察来学习一种单一的抓取策略并解决机器人在处理碎片化视角和杂乱无章的环境中遇到的挑战。

Nov, 2020