抓取场：用于人体抓取的隐式表示学习
计算机视觉与模式识别
2020-11-30 v3
摘要
近年来，机器人对家用物体的抓取取得了显著进展。然而，人体抓取仍难以真实合成。存在几个关键原因：(1) 人手具有许多自由度（多于机械臂）；(2) 合成的手应贴合物体表面；(3) 它应以语义与物理上合理的方式与物体交互。为在这一方向上取得进展，我们从近期基于学习的 3D 物体重建隐式表示进展中汲取灵感。具体而言，我们提出一种高效且易于与深度神经网络集成的人体抓取建模表达性表示。我们的洞见是，三维空间中的每个点可分别由到手与物体表面的有符号距离来刻画。因此，手、物体与接触区域可由同一公共空间中的隐式曲面表示，其中手与物体间的邻近性可被显式建模。我们将此 3D 到 2D 映射命名为 Grasping Field（抓取场），用深度神经网络参数化并从数据中学习。我们证明所提出的抓取场是一种有效且具表达性的人体抓取生成表示。具体而言，我们的生成模型仅给定 3D 物体点云即可合成高质量人体抓取。大量实验表明，我们的生成模型优于强基线并接近自然人体抓取的水平。我们的方法提升了手-物接触重建的物理合理性，并在 3D 手重建上取得与 SOTA 方法相当的性能。
引用
@article{arxiv.2008.04451,
title = {Grasping Field: Learning Implicit Representations for Human Grasps},
author = {Korrawe Karunratanakul and Jinlong Yang and Yan Zhang and Michael Black and Krikamol Muandet and Siyu Tang},
journal= {arXiv preprint arXiv:2008.04451},
year = {2020}
}