发现杂乱场景中的抓取质量：快速且精准的抓取检测

高效可靠的抓取姿态检测是机器人操作的关键。对于一般 6 自由度抓取，传统方法将场景中的所有点视为等价，通常采用均匀采样来选择抓取候选点。然而，我们发现忽略抓取位置会严重损害当前抓取姿态检测方法的速度和准确性。本文提出了“抓取质量”（graspness）概念，这是一种基于几何线索的质量度量，用于区分杂乱场景中的可抓取区域。我们提出了一种前瞻搜索方法用于测量抓取质量，统计结果证明了我们方法的合理性。为实际快速检测抓取质量，我们开发了一个名为级联抓取质量模型的神经网络，用于近似模拟搜索过程。广泛的实验验证了抓取质量模型的稳定性、通用性和有效性，使其能够作为不同方法的即插即用模块。在装配我们的抓取质量模型后，各种前方法在准确性上都实现了显著提升。此外，我们开发了 GSNet，这是一个集成抓取质量模型的端到端网络，用于早期过滤低质量预测。在大型基准测试 GraspNet-1Billion 上的实验表明，我们的方法在准确率上超过前所未有（提升 30+ 个平均精度），且推理速度极高。GSNet 库已集成到 AnyGrasp 中，地址为 https://github.com/graspnet/anygrasp_sdk。