GRaCE：平衡多准则以实现稳定、无碰撞且功能性的抓取
机器人学
2024-05-30 v4
摘要
本文研究机器人抓取这一多面性问题，其中多个准则可能相互冲突且重要性不同。我们提出一个概率框架——抓取排序与准则评估（GRaCE），其采用基于分层规则的逻辑以及针对抓取基于稳定性、运动学约束和面向目标的功能等各种准则的保序效用函数。GRaCE 的概率特性意味着该框架以原则性方式处理不确定性，即该方法能够利用给定准则被满足的概率。此外，我们提出 GRaCE-OPT，一种结合基于梯度和无梯度方法的混合优化策略，以有效应对复杂、非凸的效用函数。在仿真与真实场景中的实验结果表明，相对于现有方法，GRaCE 需要更少的样本即可取得相当或更优的性能。GRaCE 的模块化架构便于针对特定应用需求进行轻松定制与适配。
引用
@article{arxiv.2309.08887,
title = {GRaCE: Balancing Multiple Criteria to Achieve Stable, Collision-Free, and Functional Grasps},
author = {Tasbolat Taunyazov and Kelvin Lin and Harold Soh},
journal= {arXiv preprint arXiv:2309.08887},
year = {2024}
}