十亿种抓取方式：基于密集物理抓取数据集的抓取采样方案评估

机器人抓取常被表述为一个学习问题。随着物理仿真速度与质量的提升，生成大规模抓取数据集以供给学习算法正变得日益流行。一个常被忽视的问题是如何生成构成这些数据集的抓取。本文中，我们回顾、分类并比较了不同的抓取采样策略。我们的评估基于 SE(3) 的细粒度离散化，并使用基于物理的仿真来评估相应平行夹爪抓取的质量与鲁棒性。具体而言，对于 YCB 数据集中的 21 个物体，每个物体我们考虑了超过 10 亿种抓取。该密集数据集使我们能够评估现有采样方案相对于其偏差与效率的表现。我们的实验表明，一些流行的采样方案存在显著偏差，且未覆盖物体可被抓取的所有可能方式。