基于物体点云采样的端到端学习抓取方法
机器人学
2022-06-07 v2
摘要
抓取物体的能力是一项使能诸多机器人操作任务的基本技能。近期工作研究了基于点云的物体抓取方法，从模拟数据集出发，并在真实场景中展现出有前景的性能。然而，其中许多仍依赖特设的几何启发式来生成抓取候选，难以泛化到与训练中所见形状显著不同的物体。若干方法采用复杂的多阶段学习策略与局部邻域特征提取，却忽略了语义全局信息。此外，它们在训练样本数量与推理所需时间上效率低下。本文中，我们提出一种端到端学习方案，从物体的 3D 部分视图出发生成 6 自由度平行夹爪抓取。我们的学习抓取（L2G）方法通过一种新流程从输入点云汇集信息，该流程结合了可微采样策略以识别可见接触点，以及利用局部与全局线索的特征编码器。总体上，L2G 受多任务目标引导，通过优化接触点采样、抓取回归与抓取分类来生成多样化的抓取集合。通过详尽的实验分析，我们展示了 L2G 的有效性及其鲁棒性与泛化能力。
引用
@article{arxiv.2203.05585,
title = {End-to-End Learning to Grasp via Sampling from Object Point Clouds},
author = {Antonio Alliegro and Martin Rudorfer and Fabio Frattin and Aleš Leonardis and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2203.05585},
year = {2022}
}
备注
8 pages, under review for RA-L/IROS 2022