抓取提议网络：机器人抓取的视觉学习端到端方案
计算机视觉与模式识别
2020-09-29 v1
摘要
从视觉观测中学习机器人抓取是一项前景广阔却具挑战性的任务。近期研究通过制备并基于大规模合成数据集学习，展现了其巨大潜力。针对平行夹爪流行的 6 自由度（6-DOF）抓取设定，多数现有方法采取启发式采样抓取候选并用学习得到的评分函数评估的策略。该策略在采样效率与最优抓取覆盖之间存在冲突而受限。为此，我们在本工作中提出一种新颖的端到端 \emph{抓取提议网络（GPNet）}，以从单一未知相机视角观测到的未见物体预测一组多样的 6-DOF 抓取。GPNet 建立于抓取提议模块的关键设计，该模块在离散但规则的 3D 网格角点定义 \emph{抓取中心锚点}，可灵活支持更精确或更多样的抓取预测。为测试 GPNet，我们贡献了一个 6-DOF 物体抓取合成数据集；评估采用基于规则的准则、仿真测试与真实测试进行。对比结果显示我们的方法优于现有方法。值得注意的是，GPNet 通过指定覆盖获得更好的仿真结果，有助于在真实测试中直接迁移。我们将公开我们的数据集。
引用
@article{arxiv.2009.12606,
title = {Grasp Proposal Networks: An End-to-End Solution for Visual Learning of Robotic Grasps},
author = {Chaozheng Wu and Jian Chen and Qiaoyu Cao and Jianchi Zhang and Yunxin Tai and Lin Sun and Kui Jia},
journal= {arXiv preprint arXiv:2009.12606},
year = {2020}
}
备注
Accepted to NeurIPS 2020