Grasp the Graph (GtG) 2.0：用于杂乱环境中高精度抓取姿态检测的图神经网络集成
机器人学
2026-01-12 v2 计算机视觉与模式识别
机器学习
摘要
由于噪声和不完整的传感数据以及复杂的物体几何形状，在杂乱的真实世界环境中进行抓取姿态检测仍然是一个重大挑战。本文介绍了Grasp the Graph 2.0 (GtG 2.0)方法，这是一个轻量级但高效的假设-验证机器人抓取框架，它利用图神经网络集成从点云数据中进行高效的几何推理。GtG 1.0展示了图神经网络在抓取检测中的潜力，但受限于完整、无噪声点云和4自由度抓取的假设。在此基础上，GtG 2.0采用传统的抓取姿态生成器高效地生成7自由度抓取候选。候选抓取通过一个集成图神经网络模型进行评估，该模型包含夹爪内部的点（内部点）和周围的上下文点（外部点）。与使用相同生成器的先前方法相比，这种改进的表示提升了抓取检测性能。在GraspNet-1Billion基准测试中，GtG 2.0的平均精度比基于假设验证和图神经网络的方法提高了35%，使其跻身前三名框架之列。使用3自由度Delta并联机器人和Kinect-v1相机的实验显示，成功率为91%，杂乱环境完成率为100%，证明了其灵活性和可靠性。
引用
@article{arxiv.2505.02664,
title = {Grasp the Graph (GtG) 2.0: Ensemble of Graph Neural Networks for High-Precision Grasp Pose Detection in Clutter},
author = {Ali Rashidi Moghadam and Sayedmohammadreza Rastegari and Mehdi Tale Masouleh and Ahmad Kalhor},
journal= {arXiv preprint arXiv:2505.02664},
year = {2026}
}
备注
20 pages