面向机器人料箱拣选的六自由度抓取高效端到端检测
机器人学
2024-05-13 v1
摘要
料箱拣选是许多机器人系统（在物流、生产或家庭用例中）的重要组成部分。近年来，用于预测多样且未知物体上六自由度抓取的机器学习方法显示出令人鼓舞的进展。然而，现有方法在训练期间仅考虑抓取位置处的单一真实抓取方向，因此只能预测有限的抓取方向，这导致在可达性受限的料箱拣选中可行抓取数量减少。在本文中，我们提出了一种新颖的方法，用于学习机器人料箱拣选中平行爪夹持器的密集且多样的六自由度抓取。我们引入了一种基于 Power-Spherical 分布的参数化抓取分布模型，该模型能够基于所有可能的真实样本进行训练。由此，我们还考虑了抓取不确定性，增强了模型对噪声输入的鲁棒性。因此，给定单张俯视深度图像，我们的模型可以生成具有多种无碰撞抓取方向的多样化抓取。在仿真和真实机器人料箱拣选装置上的实验评估表明，该模型能够泛化到各种物体类别，在仿真和真实世界实验中实现了约 90% 的物体清空率。我们还优于现有最先进的方法。此外，由于概率抓取分布建模，即使在仅使用合成数据集训练的情况下，所提出的方法也无需任何细化步骤即可在真实机器人实验中展示其可用性。
引用
@article{arxiv.2405.06336,
title = {Efficient End-to-End Detection of 6-DoF Grasps for Robotic Bin Picking},
author = {Yushi Liu and Alexander Qualmann and Zehao Yu and Miroslav Gabriel and Philipp Schillinger and Markus Spies and Ngo Anh Vien and Andreas Geiger},
journal= {arXiv preprint arXiv:2405.06336},
year = {2024}
}