Mar, 2024

点云感知：基于点云的张力驱动软机器人手套应用中的抓取

PDF
TL;DR通过分析三维点云中的对象几何形状（简单和复杂），提出了一种基于 PointGrasp 的实时系统，用于识别日常生活中的家居场景，并支持和增强日常活动中的定制化端到端抓取任务，实现可达对象的定位和识别。该系统在简单和复杂几何形状的情况下，平均 RMSE 为 0.8±0.39 cm 和 0.11±0.06 cm，展示了在视觉驱动的机器人辅助康复手动任务中的潜力。
发现论文，激发创造
  • 点云中的抓取姿态检测

    本文提出了一种有效的机器手抓取检测方法，通过处理嘈杂的 RGBD 图像或点云来输出适合的机械臂抓取配置的估计值，实现了对新对象的抓取成功率最高可达 93%。

    Jun, 2017

  • 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

  • 使用 Taubin Quadric Fitting 在三维点云中定位抓取机会

    提出了一种基于模型表述和二次曲面适配的 3D 点云机器人夹持的新方法，有效快速地定位包络夹持能力，实现智能抓取。

    Nov, 2013

  • 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

  • 密集环境下高精度握取姿态检测

    本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络，通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率，在 Baxter 研究机器人上的实验中，相对于以前的研究成果，我们的方法有了 20％的提高，平均抓取成功率达到了 93％。

    Mar, 2016

  • 从人类活动数据集中学习任务导向的抓取技能

    使用真实世界中的人类活动 RGB 数据集来教授机器人任务导向抓取（TOG），可以训练一个根据 RGB 图像预测手姿态和物体姿态及形态的模型，并在真实世界数据集上显示其可行性和竞争力，同时在机器人上展示了 TOG 的效果。

    Oct, 2019

  • 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

  • 适应性机械手抓取物体的鲁棒性、遮挡感知姿态估计

    该论文介绍了一种基于深度信息的机器人手臂感知与图像识别框架，包括自适应手指检测、点云数据处理、全局位姿估计、轨迹规划与性能分析等组件，该框架可以实现对高度遮挡物体进行精准的位姿估计与反应迅速的操作控制。

    Mar, 2020

  • 点云下的抓取轨迹优化

    我们介绍了一种基于机器人和任务空间的点云表示的机器人抓取的新型轨迹优化方法。使用点云表示，通过点匹配可以实现抓取的目标到达，而通过查询场景点的有符号距离场中的机器人点的有符号距离值可以有效地实现避碰。因此，我们提出了一个约束非线性优化问题来解决联合运动和抓取规划问题。我们的方法的优势在于点云表示可用于任何环境中的任何机器人。我们通过在台面场景和货架场景上进行使用 Fetch 移动式机械手和 Franka Panda 机械臂的抓取实验来证明我们方法的有效性。

    Mar, 2024

  • 单视角场景点云人类抓取生成

    通过单一视图场景点云生成人类抓取行为，介绍了包括全局感知模块和 DiffuGrasp 模块的 S2HGrasp 框架，以及 S2HGD 数据集，实验证明了 S2HGrasp 能有效生成自然的人类抓取并有效避免手部穿透不可见的物体部分，具备强大的泛化能力。

    Apr, 2024