GKNet：用于抓取候选检测的关键点网络

当代抓取检测方法采用深度学习以实现对传感器和物体模型不确定性的鲁棒性。两种主流方法分别设计抓取质量评分或基于锚的抓取识别网络。本文提出一种不同的抓取检测思路，将其视为图像空间中的关键点检测。该深度网络将每个抓取候选检测为一对关键点，可转换为抓取表示 g = {x, y, w, θ} T，而非三个或四个角点。通过将关键点分组为对来降低检测难度，从而提升性能。为促进捕获关键点间的依赖关系，网络设计中引入了非局部模块。基于离散与连续方向预测的最终滤波策略去除了错误对应并进一步改善抓取检测性能。本文提出的 GKNet 在 Cornell 和精简 Jacquard 数据集上实现了精度与速度的良好平衡（96.9% 和 98.39%，对应 41.67 和 23.26 fps）。在机械臂上的后续实验通过 4 类反映不同干扰源的抓取实验评估 GKNet：静态抓取、动态抓取、不同相机角度下的抓取和料箱拣选。GKNet 在静态和动态抓取实验中优于参考基线，同时对相机视角变化和中等杂乱表现出鲁棒性。结果证实了假设：抓取关键点是深度抓取网络的有效输出表示，可对预期干扰因素提供鲁棒性。