GraspClutter6D：面向密集场景中稳健感知与抓取的大规模真实世界数据集
机器人学
2025-08-15 v3 人工智能
计算机视觉与模式识别
摘要
稳健抓取密集环境中的物体仍是机器人学中的开放挑战。虽然基准数据集显著推进了深度学习方法，但它们主要关注简单场景，仅有轻度遮挡且多样性不足，限制了其在实际场景中的适用性。我们提出GraspClutter6D，一个大规模真实世界抓取数据集，特点包括：（1）1000个高度密集的场景，密集排列（14.1 物体/场景，62.6%遮挡），（2）覆盖200个物体、75个环境配置（包括箱子、货架和桌子），使用四台 RGB-D 摄像机从多个视角捕获，（3）丰富的注释，包括73.6万 6D 物体姿态和93 亿可行机器人抓取点，覆盖5.2万张 RGB-D 图像。我们对比评估了最先进的分割、物体姿态估计和抓取检测方法，为密集环境中的关键挑战提供见解。此外，我们验证了数据集作为训练资源的有效性，证明在仿真和真实世界实验中，训练于GraspClutter6D的抓取网络显著优于现有数据集训练的网络。该数据集、工具包和注释工具已在项目网站公开：https://sites.google.com/view/graspclutter6d。
引用
@article{arxiv.2504.06866,
title = {GraspClutter6D: A Large-scale Real-world Dataset for Robust Perception and Grasping in Cluttered Scenes},
author = {Seunghyeok Back and Joosoon Lee and Kangmin Kim and Heeseon Rho and Geonhyup Lee and Raeyoung Kang and Sangbeom Lee and Sangjun Noh and Youngjin Lee and Taeyeop Lee and Kyoobin Lee},
journal= {arXiv preprint arXiv:2504.06866},
year = {2025}
}
备注
Accepted at IEEE Robotics and Automation Letters (RA-L). Project Websites: https://sites.google.com/view/graspclutter6d