Nov, 2023

统一生成抓取：UGG

PDF
TL;DR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。
dexterous graspinggrasping posturesregression-based methodsgeneration-based methodscontact modeling
发现论文，激发创造
  • 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

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • DexDiffuser: 使用扩散模型生成熟练抓取

    DexDiffuser 是一种新颖的灵巧抓取方法，它基于局部物体点云生成、评估和优化抓取。通过迭代去噪随机采样抓取，DexDiffuser 实现了基于条件扩散的抓取采样器 DexSampler 和灵巧抓取评估器 DexEvaluator。研究中还引入了两种抓取优化策略：评估器导向扩散（EGD）和基于评估器的采样优化（ESR）。仿真和实际实验结果表明，DexDiffuser 的抓取成功率平均提高了 21.71-22.20% 相对于最先进的多指抓取生成方法 FFHNet。

    Feb, 2024

  • 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

  • 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