DexGraspNet：基于仿真、面向通用物体大规模机器人灵巧抓取数据集
机器人学
2023-03-09 v2 计算机视觉与模式识别
摘要
机器人灵巧抓取是实现类人灵巧物体操作的第一步，因而是关键机器人技术。然而，相比平行夹爪的物体抓取，灵巧抓取研究远不充分，部分源于缺乏大规模数据集。本文提出一个大规模机器人灵巧抓取数据集DexGraspNet，由我们提出的可普遍应用于任意灵巧手的高效合成方法生成。该方法利用深度加速的可微力闭合估计器，从而能大规模高效且鲁棒地合成稳定且多样的抓取。我们选用ShadowHand，为5355个物体生成132万次抓取，覆盖超过133个物体类别，每个物体实例含超过200种多样抓取，所有抓取均经Isaac Gym模拟器验证。相比Liu等人用GraspIt!生成的先前数据集，我们的数据集不仅物体与抓取更多，且多样性与质量更高。通过跨数据集实验，我们表明在我们的数据集上训练若干灵巧抓取合成算法显著优于在先前数据集上训练。访问我们的数据与代码（含人与Allegro抓取合成代码）请见项目页：https://pku-epic.github.io/DexGraspNet/。
引用
@article{arxiv.2210.02697,
title = {DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation},
author = {Ruicheng Wang and Jialiang Zhang and Jiayi Chen and Yinzhen Xu and Puhao Li and Tengyu Liu and He Wang},
journal= {arXiv preprint arXiv:2210.02697},
year = {2023}
}