Dex-Net 3.0：采用新解析模型与深度学习在点云中计算鲁棒机器人真空吸附抓取目标
机器人学
2018-04-16 v2
摘要
基于真空的末端执行器在工业中广泛应用，常因能以单点接触抬起物体而优于平行夹爪与多指夹爪。吸附抓取规划器通常 targeting 点云中物体估计质心附近的平面表面。本文提出一种柔顺吸附接触模型，计算吸盘与局部目标表面间密封质量，以及该吸附抓取抵抗外部重力力旋能力的度量。为表征抓取，我们估计其对末端执行器与物体位姿、材料特性及外部力旋扰动的鲁棒性。我们分析跨 1500 个 3D 物体模型的抓取，生成 Dex-Net 3.0，一个包含 280 万点云、吸附抓取及抓取鲁棒性标签的数据集。我们利用 Dex-Net 3.0 训练抓取质量卷积神经网络（GQ-CNN），对含单个物体的点云中的鲁棒吸附目标进行分类。我们在配备气动吸附夹爪的 ABB YuMi 上通过 350 次物理试验评估所得系统。当在我们归类为基本型（棱柱或圆柱）、典型型（更复杂几何）和对抗型（可用吸附抓取点极少）的新物体上评估时，Dex-Net 3.0 分别取得 98、82 和 58 的成功率；当训练集仅含对抗型物体时，后者提升至 81。代码、数据集与补充材料见 http://berkeleyautomation.github.io/dex-net 。
引用
@article{arxiv.1709.06670,
title = {Dex-Net 3.0: Computing Robust Robot Vacuum Suction Grasp Targets in Point Clouds using a New Analytic Model and Deep Learning},
author = {Jeffrey Mahler and Matthew Matl and Xinyu Liu and Albert Li and David Gealy and Ken Goldberg},
journal= {arXiv preprint arXiv:1709.06670},
year = {2018}
}
备注
Accepted to ICRA 2018