考虑抓取质量与机器人可达性的料箱拾取吸盘可抓取性学习

深度学习已被广泛用于推断鲁棒的抓取。尽管最初使用人工标注的 RGB-D 数据集来学习抓取配置，但准备这种大型数据集代价高昂。为了解决这个问题，通过物理模拟器生成图像，并使用物理启发模型（例如吸盘与物体之间的接触模型）作为抓取质量评估指标来标注合成图像。然而，这种接触模型很复杂，需要通过实验进行参数辨识以确保真实世界性能。此外，先前的研究没有考虑机械臂可达性，例如当具有高抓取质量的抓取配置由于碰撞或机器人物理限制而无法到达目标时。在本研究中，我们提出了一种直观的基于几何解析的抓取质量评估指标。我们进一步引入了可达性评估指标。我们在模拟器中的合成图像上通过所提评估指标标注像素级抓取质量和可达性，以训练一个称为吸盘可抓取性 U-Net++ (SG-U-Net++) 的自编码器--解码器。实验结果表明，我们直观的抓取质量评估指标与物理启发指标具有竞争力。学习可达性有助于通过移除明显不可达的候选者来减少运动规划计算时间。该系统实现了 560 PPH（每小时件数）的整体拾取速度。