CaTGrasp：从仿真中学习杂乱场景中类别级任务相关抓取

任务相关抓取对工业装配至关重要，其中下游操作任务约束了有效抓取的集合。然而，学习执行该任务具有挑战性，因为任务相关抓取标签难以定义与标注。目前对建模的恰当表示或执行任务相关抓取的开箱即用工具也尚无共识。本工作提出一种框架，无需耗时的真实世界数据收集或人工标注即可学习工业物体的任务相关抓取。为此，整个框架仅在仿真中训练，包括带合成标签生成的监督训练与自监督的手-物交互。在该框架背景下，本文提出一种新颖的类别级以物体为中心的规范表示，可建立物体实例间的稠密对应并将任务相关抓取迁移至新实例。在仿真与真实设置下对密集杂乱工业物体的任务相关抓取进行了大量实验，证明了所提框架的有效性。代码与数据见 https://sites.google.com/view/catgrasp。