Mar, 2023

CMG-Net: 一种端到端基于接触的多指灵巧抓取网络

PDF
TL;DR本论文提出了使用多指机器人手和被操作物体之间的接触来表示抓取的新方法，并通过一个端到端的网络实现在杂乱环境中抓取未知物体的目标。同时，我们创建了一个包括五千个场景的综合数据集，并进行了全面的实验研究，实验结果表明，我们的方法表现优于目前最先进的三指机械手抓取方法。
graspingmulti-finger robotic handsend-to-end networksynthetic grasp datasetlearning process
发现论文，激发创造
  • 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

  • DMFC-GraspNet：多指可微分机器人抓取在杂乱场景中的生成

    本论文提出了一种可微分的多指抓取生成网络（DMFC-GraspNet），通过引入新的抓取表示和密集标签映射方法，使得多指机器人抓取更加灵活、密集，推动了机器人抓取领域的发展。

    Aug, 2023

  • DGCM-Net：稠密几何对应匹配网络用于增量式经验机器人抓取

    通过学习经验，实现对新物体的抓取。引入密集几何对应匹配网络进行学习，以将相似几何结构的物体编码到近邻特征空间中，从而实现对未见物体的推广。最终实现成功率的提升和任务功能的优化。

    Jan, 2020

  • Contact-GraspNet: 在混乱场景下高效生成 6 自由度抓取

    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

  • 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

  • 自然语言条件下握物检测联合网络

    该论文提出了一种名为 CGNet 的模型，通过使用基于自然语言命令查询目标对象，直接从 RGB 图像和文本命令输入中输出命令满足的抓取。在基于 VMRD 数据集生成的基础上进行训练，该模型的实验结果比级联物体检索和抓取检测基线要优越很多，并通过三个物理实验证明了该模型的功能和性能。

    Apr, 2021

  • 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

  • PointNetGPD: 从点集中检测抓取姿态

    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

  • GraNet: 多层次图网络在杂乱场景中的 6 自由度抓取姿态生成

    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

  • 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