约束环境中感知碰撞的目标驱动物体抓取
机器人学
2021-04-05 v1 机器学习
摘要
在约束环境（如墙壁、料箱和货架）中抓取新颖目标物体需要对抓取位姿可达性进行大量推理，以避免与周围结构发生碰撞。典型的 6-DoF 机器人抓取系统依赖环境先验知识和密集的规划计算，这缺乏泛化能力且效率低下。相比之下，我们为 6-DoF 抓取系统提出了一种新颖的碰撞感知可达性预测器（CARP）。CARP 学习估计抓取位姿的无碰撞概率，并显著改善了在挑战性环境中的抓取。我们方法中的深度神经网络完全通过仿真中的自监督进行训练。在仿真和真实世界中的实验表明，我们的方法在各种周围结构下对新物体的抓取率超过 75%。消融研究证明了 CARP 的有效性，其将 6-DoF 抓取率提高了 95.7%。
引用
@article{arxiv.2104.00776,
title = {Collision-Aware Target-Driven Object Grasping in Constrained Environments},
author = {Xibai Lou and Yang Yang and Changhyun Choi},
journal= {arXiv preprint arXiv:2104.00776},
year = {2021}
}
备注
Accepted for publication in proceedings of 2021 International Conference on Robotics and Automation (ICRA 2021). Link to Video: https://youtu.be/QLTM6UkZ-Dw