grasping | BriefGPT - AI 论文速递

关键词grasping

搜索结果 - 28

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
PDF5 years ago
S4G: 混乱场景下单视角单快拍 SE（3）抓取检测
该论文研究了使用普通深度传感器从单个视点捕获的混乱场景中，通过并联夹具进行六自由度抓取的问题，并提出了一个基于学习的框架，在高层次上依赖于单次抓取提案网络来有效地预测建议抓取点。实验证明，此方法可以大幅度优于现有技术。
PDF5 years ago
CVPRContactDB: 使用热成像技术分析和预测握持接触
使用红外传感器捕捉和记录了 50 种日常物品的手 - 物体接触点图，研究表明功能意图和物品大小对握取有影响，多种算法用于预测手 - 物体接触点图。
PDF5 years ago
MMTossingBot: 学习用剩余物理学抛掷任意物体
研究机器人手臂是否能够学习快速准确地拾取和投掷任意物体。通过试验和错误，通过视觉观察从图像中推断控制参数，学习抓取和投掷运动基元之间的协同作用，并使用物理模拟器预测控制参数之上的残差。最终，形成了一个名为 TossingBot 的系统，能够
PDF5 years ago
MetaGrasp: 基于场景感知解释网络的数据高效抓取
本文提出了一个针对数据收集到模型推理整个过程的新型夹持训练系统，通过抗脊夹持规则来获取有效的夹持样本，并设计了一个效益解释器网络来预测像素级的夹持效益地图，该模型只在模拟环境中训练，结果表明当模型面对全新的物体和背景时，它能做出很好的夹取决
PDF5 years ago
QT-Opt：基于视觉的机器人操作的可伸缩深度强化学习
本文提出了一种基于 QT-Opt 的可扩展自监督视觉强化学习框架，该框架能够利用超过 580k 的真实抓取尝试来训练一个具有超过 1.2M 个参数的深度神经网络 Q 函数，实现闭环实际抓取并能够推广到 96% 的机器人抓取任务中，而且不仅实
PDF6 years ago
NIPS基于手眼协同观测与连续控制的抓取准确性模拟转现
该研究提出了一种有效的深度学习机器人抓取小圆球的方法，并将整个系统分解为视觉模块和闭环控制器模块两部分来实现。通过在真实背景图像和模拟图像之间进行有效领域转移来训练视觉模块，并使用模仿学习在仿真环境中对闭环控制器进行训练，从而实现了对未知情
PDF7 years ago
从仿真到现实世界的端到端视觉运动控制传递，用于多阶段任务
本文提出了使用端到端的控制方法和领域随机化训练卷积神经网络，实现机器人对多阶段任务的执行。结果表明，此方法在真实环境中能够成功执行任务并推广到新环境。
PDF7 years ago