Feb, 2024

FuncGrasp: 从单个标注示例对象学习基于对象的神经抓取函数

PDF
TL;DRFuncGrasp 是一个框架，可以通过一个带有注释的对象和单视图 RGB-D 观察来推断未见过的物体的密集而可靠的抓取配置，通过球形基元的函数到函数传递建立语义有意义的分类对应关系，并在无监督学习的方式下学习。与以往的作品不同，FuncGrasp 旨在传输通过对象为中心的连续抓握函数参数化的无限配置，通过在表面上定义的有效神经表示（NSGF）密集编码抓握配置。通过在模拟器和真实世界中进行大量实验，我们展示了该方法的有效性，显着优于生成的抓握的密度和可靠性的几种强基准方法。
发现论文，激发创造
  • 针对抓取器姿态不确定性的夹持功能的深度学习

    本文提出了一种新的方法，使用深度图像对孤立对象进行平行夹持，解决大型夹持器姿态不确定性的问题，该方法训练卷积神经网络进行评分以确定触抓姿态，最终实验表明该系统比未考虑不确定性时更具鲁棒性。

    Aug, 2016

  • 从人类示范中学习灵巧手的连续抓取功能

    使用隐式函数学习生成灵巧手运动的抓取计划，结合条件变分自动编码器和 3D 人体演示进行生成建模，该模型名为连续抓取函数（CGF）。通过在模拟器进行不断采样，并选择成功的抓取计划转移到真实机器人手上，与之前的规划算法相比，CGF 更高效，成功率也显著提高。

    Jul, 2022

  • 单图像神经场实现机器人物体操作

    通过利用神经辐射场（NeRF）的一个紧凑的单一图像表示，我们能够从单一图像中推断物体渲染，三维重建和抓握姿势预测，从而比先前方案小两个到三个数量级，而实现可比的视图重建和抓握性能。

    Oct, 2022

  • CenterGrasp：面向对象感知的隐式表示学习，用于同时形状重建和 6 自由度抓取估计

    通过编码形状和有效抓取的连续潜空间，CenterGrasp 框架结合了物体识别和整体抓取，实现了场景的强场景重建和六自由度抓取 - 姿态估计性能的显著改进。

    Dec, 2023

  • 通过神经表面渲染在混乱环境中学习任意视角 6DoF 机器人抓取

    本文介绍了一种名为 NeuGraspNet 的新型方法，它使用神经立体表示和表面渲染的最新进展，学习了全局和本地的神经表面表示，并使用局部神经表面渲染问题对抓取进行重新解释，能够在遮挡的场景中操作，并展示了在移动机械手中应用的效果。

    Jun, 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

  • 使用可推广的 NeRF 基于多视角的透明和高光物体的 6-DoF 抓取检测 GraspNeRF

    本文提出了一种基于多视角 RGB 的 6 自由度预抓取检测网络 GraspNeRF，利用可转换的神经辐射场（NeRF）实现材料无关的物体预抓取，在杂乱的环境下可实时检测出 6 自由度的抓取，实验结果表明该方法在合成和真实环境中表现优异。

    Oct, 2022

  • 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

  • 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

  • 6-DOF GraspNet: 对象操纵的变分抓取生成

    利用变分自编码器和夹取评估模型采样一组夹取，并在模拟和真实机器人实验中评价和修正采样到的夹取，以实现抓取生成。通过纯模拟训练，可在不进行任何额外步骤的情况下运行于实际机器人操作中，具有较高的成功率。

    May, 2019