DemoGrasp：基于人类演示的少样本机器人抓取学习
机器人学
2021-12-07 v1 计算机视觉与模式识别
摘要
成功抓取物体的能力在机器人学中至关重要，因为它赋能若干交互式下游应用。为此，多数方法要么计算感兴趣物体的完整 6D 位姿，要么学习预测一组抓取点。前者方法尚不能很好地扩展到多个物体实例或类别，而后者需要大量标注数据集，且对新几何形状的泛化能力较差。为克服这些缺陷，我们提出通过简单而简短的人类演示来教机器人如何抓取物体。因此，我们的方法既不需要许多标注图像，也不局限于特定几何形状。我们首先呈现一段展示人–物交互的 RGB-D 图像小序列。随后利用该序列构建表示所描绘交互的对应手部与物体网格。接着，我们补全重建物体形状的缺失部分，并估计重建体与场景中可见物体之间的相对变换。最后，我们将来自物体与人手间相对位姿的先验知识，连同场景中当前物体位姿的估计，转化为机器人所需的抓取指令。在丰田 Human Support Robot (HSR) 于真实与合成环境中的详尽评估，证明了我们所提方法的适用性及其相对于先前方法的优势。
引用
@article{arxiv.2112.02849,
title = {DemoGrasp: Few-Shot Learning for Robotic Grasping with Human Demonstration},
author = {Pengyuan Wang and Fabian Manhardt and Luca Minciullo and Lorenzo Garattoni and Sven Meie and Nassir Navab and Benjamin Busam},
journal= {arXiv preprint arXiv:2112.02849},
year = {2021}
}
备注
Accepted by IROS 2021