GAP-RL：面向动态物体抓取的机器人学习
机器人学
2024-10-07 v1
摘要
动态抓取复杂连续运动场景中的移动物体仍具有挑战性。强化学习（RL）已应用于各种机器人操纵任务中，受益于其闭环特性。然而，现有的基于 RL 的方法未充分发挥视觉表征潜力。本文提出了一种新框架，称为 Grasps As Points for RL（GAP-RL），用于有效可靠地抓取移动物体。通过实现快速基于区域的抓取检测器，我们构建了一个抓取编码器，将 6D 抓取姿态转换为高斯点，并提取抓取特征作为原始物体点特征之上的更高层次抽象。此外，我们开发了一个用于实际部署的可抓取区域探索器，该探索器搜索一致的可抓取区域，使抓取生成更加顺畅，策略执行更加稳定。为公平评估性能，我们构建了一个涉及各种复杂运动的模拟动态抓取基准。实验结果表明，我们的方法在其他基线方法之上有效地泛化到新物体和不可见的动态运动。实际实验进一步验证了该框架的仿真到实际的可移植性。
引用
@article{arxiv.2410.03509,
title = {GAP-RL: Grasps As Points for RL Towards Dynamic Object Grasping},
author = {Pengwei Xie and Siang Chen and Qianrun Chen and Wei Tang and Dingchang Hu and Yixiang Dai and Rui Chen and Guijin Wang},
journal= {arXiv preprint arXiv:2410.03509},
year = {2024}
}
备注
Accepted by RA-L for further publication, may be unavailable or updated in the future