闭环机器人抓取：一种实时生成式抓取合成方法
机器人学
2018-05-16 v2
摘要
本文提出了一种可用于闭环抓取的实时、与物体无关的抓取合成方法。我们提出的生成式抓取卷积神经网络（GG-CNN）预测每个像素处抓取的质量和姿态。这种从深度图像到抓取的一一映射，通过避免对抓取候选进行离散采样和漫长的计算时间，克服了当前深度学习抓取技术的局限性。此外，我们的 GG-CNN 规模小数个数量级，同时在检测稳定抓取方面具有与当前 SOTA 技术相当的性能。我们的 GG-CNN 轻量且单次生成的特性允许高达 50Hz 的闭环控制，从而在物体移动的非静态环境以及存在机器人控制误差的情况下实现精确抓取。在我们的真实世界测试中，对于一组具有对抗性几何形状且此前未见过的物体，我们实现了 83% 的抓取成功率，对于一组在抓取尝试过程中被移动的家居物体，成功率为 88%。在动态杂乱环境中抓取时，我们还实现了 81% 的准确率。
引用
@article{arxiv.1804.05172,
title = {Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Approach},
author = {Douglas Morrison and Peter Corke and Jürgen Leitner},
journal= {arXiv preprint arXiv:1804.05172},
year = {2018}
}
备注
Robotics: Science and Systems (RSS), 2018. Code: http://github.com/dougsm/ggcnn Video: http://www.youtube.com/watch?v=7nOoxuGEcxA