学习抓握:从某处到任何地方
本研究探讨了如何利用自动生成的抓取方法来解决机器人在实际环境中获取对象的问题,并就域随机化、从仿真到实际的转移性等问题进行了分析和研究。
Oct, 2023
通过简单的人类示范,我们提出了一种既不需要大量标注图像,也不受特定几何形状限制的机器人抓取方法:利用一个小的 RGB-D 图像序列构建相关的手和物体网格模型,然后在当前环境中估计物体的姿态并转移所需的抓取指令。
Dec, 2021
提出了一种基于数据生成和模拟到真实世界迁移学习的机器人抓握框架,该框架通过减少模拟和实际之间的差距,解决了数据稀疏、传感器数据和接触模型不准确等问题,在单一物品、复杂形状物品和多物品的机器人抓握场景下分别获得了 90.91%、85.71% 的高成功率。
Jan, 2023
近期 AI 在机器人学习方面的重要进展,特别是自然语言条件规划和使用生成模型进行控制器高效优化。然而,互动数据仍然是泛化的瓶颈。获取抓取的数据是一个关键挑战,因为这项技能需要完成许多操作任务。质量多样性算法结合先验知识来加速生成多样的模拟抓取姿势,实验结果显示质量多样性算法明显优于常用方法。进一步实验表明,质量多样性优化自动发现了一些通常需要硬编码的高效先验知识。在两种不同类型的机械手上部署生成的抓取结果表明,所产生的多样性场景具有模拟到实际的可迁移性。我们相信这些结果对于生成大规模数据集以实现强健且普适的机器人抓取策略是重要的一步。
Mar, 2024
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
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。
Mar, 2023
通过从部分观测中重建和完成其全面几何结构,并利用七自由度的拟人化机器人手进行操作,我们的方法显著提高了只有部分重建的基线的抓取成功率近 30%,并以三个不同的对象类别多次实现了超过 150 次成功抓取,这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力,为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。
Nov, 2023
本研究提出了一种基于部分点云观察的,用于在杂乱场景中规划指定物体 6 自由度抓取的方法,其性能比基线方法高出 17.6%,能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景,并利用我们学习到的碰撞检查模块来推理有效的抓取顺序,以检索不易到达的物体。
Dec, 2019