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
利用深度隐式函数的多任务学习、共享表征,联合学习抓握可行性和三维重建任务,在清理杂物方面实现了优于基线方法 10% 的抓握成功率。
Apr, 2021
利用神经光辐射场技术检测、定位并推断透明物体的几何形状,结合光源的设置和透射率感知的深度渲染,实现了透明物体的稳定夹取,其成功率分别达到了90%和100%。
Oct, 2021
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
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
本文提出的Manupulation策略Transformer Act3D,将6DoF关键点预测作为自适应空间计算的3D检测操作,取得RLbench操作测试中最佳效果。
通过使用GaussianGrasper,可以利用3D高斯喷洒技术将场景明确地表示为一系列高斯原语,并通过语言指令使机器人能够准确查询和抓取对象,为语言引导的操作任务提供了新的解决方案。
Mar, 2024
利用网络训练的文本到图像扩散生成模型,在无样本情况下对细粒度部件描述符进行准确操作,通过将问题框架化为密集语义部件对应任务,返回用于操作特定部件的夹爪位姿,无需手动示教,验证了该方法在真实世界的桌面场景中的实验,证明了其推进语义感知机器人操作的潜力。
将现代深度学习技术和大规模数据集应用于3D实例分割、抓取姿态估计和机器人学领域,以构建一个综合框架,实现在以人为中心的环境中的机器人交互和操控。
Apr, 2024
Splat-MOVER是一个模块化机器人软件框架,利用高斯分层表示法(GSplat)的可编辑性,实现多阶段机器人操作任务。
May, 2024