Jun, 2023

NBMOD: 在嘈杂背景中发现并抓住它

PDF
TL;DR提出了一个名为 NBMOD 的大规模抓取检测数据集，包含 20 种不同类型的水果的 31,500 张 RGB-D 图像，以及用于解决定向边界框检测任务的旋转锚定机制（RAM）和一系列轻量级结构，其中 RAGT-3/3 模型在 NBMOD 数据集上实现了 99％的准确率。
graspingroboticsgrasp detectionnbmod datasetram
发现论文，激发创造
  • 基于 RGB 图像的机器人抓取检测的模块化抗噪声深度学习网络

    通过使用单个 RGB 图像进行模块化学习网络来检测抓取姿势，本研究提出了一种有趣的方法，适用于配备平板夹具的机器人，不仅识别可抓取的物体，还将先前的抓取分析与语义分割融合，从而提高抓取检测精度，并且在处理模糊和嘈杂的视觉情况时表现出弹性，通过实际实验和评估证明了我们提出的方法的可行性和准确性。

    Oct, 2023

  • RGB Matters: 在单目 RGBD 图像上学习 7 自由度抓取姿态

    本文提出了 RGBD-Grasp 方法，通过卷积神经网络 Angle-View Net（AVN）预测抓手的 SO（3）方向和 FAS 模块计算抓手的张开宽度和与抓点的距离，解决机器人领域中的物体抓取问题，并在 GraspNet-1Billion 数据集上取得了最先进的结果。

    Mar, 2021

  • 多物体、多抓取实时检测

    本文提出了一种深度学习架构，用于预测机器人操作的适合抓取的位置，通过使用 RGB-D 图像输入的深度神经网络实现对单个或多个对象的多个抓取候选项的预测，实验表明该方法在 Cornell 数据集上表现优于其他方法，在掌握实验中也获得了不错的成功率。

    Feb, 2018

  • 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

  • 深度学习用于机器人抓取检测

    运用深度学习方法解决机器人抓取问题，通过多模态组规则化结构化正则化权重来处理多模态输入，实现了比之前最先进方法更好的效果，可成功在两个不同的机器人平台上执行抓取。

    Jan, 2013

  • MonoGraspNet: 使用单一 RGB 图像进行 6 自由度抓取

    本文提出了首个基于 RGB 图像的 6 自由度机器人抓取方法 MonoGraspNet，通过利用稳定的 2D 特征以及关键点热度图和法向量图来同时解决处理透明或反射材料等光学难题，实验表明我们的方法在抓取常见物体方面能够达到有竞争性的结果，并在在抓取光学难题物体方面领先于深度学习方法，此外我们也公开了一个包含 120 个物品的多视角多场景数据集和 2000 万的准确抓取标签。

    Sep, 2022

  • 基于盒坐标匹配的特定物体检测与抓取的新型综合方法

    为了更好地照顾老年人和残疾人，服务机器人需要具备一种有效的物体检测和抓取估计的融合方法。本文提出了一种基于盒子坐标匹配的特定物体的检测 - 抓取综合方法，通过改进 SOLOv2 实例分割模型和生成式残差卷积神经网络模型，结合盒子坐标匹配的综合算法，优化了物体检测和抓取估计模型，并在模拟平台上进行了实验验证其可行性和有效性。

    Jul, 2023

  • Jacquard：用于机器人抓取检测的大规模数据集

    本文提出了一种生成大规模合成数据集的方法 --Jacquard 抓取数据集，并在实验中使用了一个 CNN 模型进行了测试，结果表明该数据集比人工标记的数据集具有更好的性能表现和泛化能力。同时，该文还提供一个网页界面，帮助其他研究人员通过该数据集测试物体的抓取性能。

    Mar, 2018

  • 深度卷积神经网络实现机器人抓取检测

    本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

    Nov, 2016

  • 通过学习 RGB-D 特征实现鲁棒的 6D 物体姿态估计

    本文提出了一种离散连续的旋转回归公式来解决对称物体旋转不确定性问题，并通过点聚集向量来检测物体位置，并在 LINEMOD 和 YCB-Video 基准测试中得到比现有方法更好的表现。

    Feb, 2020