欠驱动手的重力感知抓取生成与隐式抓取模式选择

基于学习的抓取检测器通常假设为精密抓取,即每个手指仅有一个接触点,并估计抓取概率。在本研究中,我们提出了一种数据生成与学习流水线,能够利用强力抓取,这种抓取具有更多接触点和包络构型,且对定位误差和力扰动均具有鲁棒性。为了训练抓取检测器优先考虑强力抓取,同时仍将精密抓取作为次要选择,我们提出根据抓取所能抵抗的重力方向扰动大小(抗重力分数)来训练网络,而非进行成功的二元分类。我们还提供了一条高效的带抗重力分数标注的数据集生成流水线。除了详尽的消融研究外,在仿真和真实机器人上的定量评估证明了本方法的显著改进,尤其是在物体较重时。