形变感知的数据驱动抓取合成
机器人学
2023-09-27 v1
摘要
针对三维可形变物体的抓取合成仍属鲜有探索的课题,多数工作旨在最小化形变。然而,形变未必有害——例如人类能够利用形变生成新的潜在抓取。如何在机器人上实现这一点仍是一个开放问题。本文提出一种方法,在深度图像之外利用物体刚度信息来合成高质量抓取。为此,我们将物体刚度作为额外输入并入最先进的深度抓取规划网络。我们还使用Isaac Gym模拟器策划了一组含不同刚度物体抓取的新合成数据集以训练网络。我们在仿真中总计2800次抓取、真实Franka Emika Panda上420次抓取下,将所提方法与未并入物体刚度的情形进行实验验证与比较。实验结果显示,在形状、尺寸与刚度各异的广泛物体上,所提方法的抓取成功率显著提升。此外,我们证明该方法可针对不同刚度值生成不同抓取策略,如对软物体捏取、对硬物体笼取。综上,结果清晰显示了在抓取不同刚度物体时并入刚度信息的价值。
引用
@article{arxiv.2109.05320,
title = {Deformation-Aware Data-Driven Grasp Synthesis},
author = {Tran Nguyen Le and Jens Lundell and Fares J. Abu-Dakka and Ville Kyrki},
journal= {arXiv preprint arXiv:2109.05320},
year = {2023}
}
备注
In review for RA-L and ICRA 2022. 8 pages, 10 figures