Apr, 2024

基于复杂形状的双臂操作中约束的 6 自由度抓取生成

PDF
TL;DR提出了一种基于扩散的抓取生成模型 CGDF（Constrained Grasp Diffusion Fields），它可以适应任意物体的复杂几何形状，并在目标区域上生成密集的抓取。通过使用部分引导的扩散方法，实现了高效率的约束抓取，无需通过大量约束增强数据集进行训练。通过定量和定性的比较分析结果以及在模拟中的表现，验证了该方法可以生成稳定的抓取姿势，尤其适用于双臂操作设置，而现有方法则存在困难。
grasp posesrobotic manipulationconstrained grasp diffusion fieldsgeometriesdual-arm manipulation
发现论文，激发创造
  • 通过领域先验知识推广 6 自由度抓取检测

    本文关注于 6 自由度抓取检测方法的泛化能力。通过引入机器人抓握的领域先验知识，通过物理约束正则化和接触得分联合优化，提升了模型的泛化能力，并在实验中证明了该方法的有效性。

    Apr, 2024

  • 通过扩散模型获取六自由度稳定场

    核心能力是机器人操控对于在杂乱环境中进行物体的稳定放置的推理，6-DoFusion 是一个生成模型，能够生成给定场景的稳定配置的物体的 3D 姿势，并在不同的物体放置和堆叠任务上进行了评估。

    Oct, 2023

  • Contact-GraspNet: 在混乱场景下高效生成 6 自由度抓取

    通过一种端到端的神经网络，将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布，其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点，并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度，成功率可达 90% 以上。

    Mar, 2021

  • 基于目标驱动的 6 自由度抓取技术在混杂环境下的物体操作

    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

  • 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

  • 多目标动态三维形状重建、6 自由度位姿估计和密集抓取预测实时同时完成

    本文介绍了一种新的方法，通过感知系统提供场景中所有物体的几何和语义信息，同时提供这些物体的可行抓取，以加速机器人操作的复杂度。通过详细的定量分析，我们展示了我们的方法通过在 30 帧 / 秒速度下提供竞争性能，以比较专门用于物体形状、姿态和抓取预测的最新技术方法。

    May, 2023

  • D-Grasp：手 - 物互动中物理合理的动态抓取合成

    研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

    Dec, 2021

  • 统一生成抓取：UGG

    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。

    Nov, 2023

  • 3DSGrasp：适用于机器人抓取的三维形状完成

    本文提出了一种名为 3DSGrasp 的新型抓取策略和一种基于 Transformer 编码器 - 解码器网络和 Offset-Attention 层的 PCD 补全网络，该网络不受对象姿态和点置换的影响，可在部分 PCD 的情况下实现可靠的抓取姿势。实验表明，在 PCD 补全任务中，3DSGrasp 的性能优于最先进的方法，并且在实际场景中大大提高了抓取成功率。

    Jan, 2023

  • 高自由度抓取器深度可微分抓取规划

    本篇论文提出了一种利用深度神经网络进行无监督或有限监督机械抓取学习的算法，该算法包括机械臂前向运动、与目标物体的碰撞检测、抓取姿态评价指标的构建，并且通过优化问题的敏感度分析提出了通用的 Q1 抓取评价指标，其中用到 watertight 三角形网格，实现了在各种 3D 形状数据集上比传统方法更高效率和鲁棒度的抓取姿态的学习和训练。

    Feb, 2020