基于全局到局部检测与静态到动态规划的密集堆积场景下移动物体的自适应抓取

机器人抓取正面临各种真实世界不确定性，这些不确定性由非静态物体状态、未知物体属性和杂乱的物体布局所致。抓取的难度随不确定性的增加而上升，其中常用的基于学习的方法在不同条件下难以保持一致的性能。在本研究中，我们将相似性匹配的思想融入，旨在解决在单一 RGBD 相机下同时处理运动中且密集堆积的新颖物体抓取挑战，其中存在多重不确定性。为实现这一目标，我们通过将视觉检测从全局状态转向局部状态，并将抓取规划从静态场景转向动态场景来实现。值得注意的是，我们引入了优化方法以提高该任务的规划效率。我们提出的系统能够适应各种物体类型、布局和运动速度，无需进行大量训练，正如我们在真实世界实验中所展示的那样。视频可在 https://youtu.be/sdC50dx-xp8?si=27oVr4dhG0rqN_tT 查看。