用于改进抓取质量的形状完成不确定性测量

形状完成网络最近在实际机器人实验中被用于完成环境中仅通过一个或少数几个视角观察到的物体的缺失/隐藏信息，其中必然发生自遮挡。目前大多数方法依赖处理丰富 3D 点云数据的深度神经网络，以实现更精确和更真实的物体几何形状。然而，这些模型仍因其非确定性/随机推断而存在不准确性，这在抓取场景中可能导致性能下降，因为这些错误会累积导致抓取失败。我们提出了一种方法，用于在推理单个物体表面平面点云的单一视角时计算 3D 形状完成模型的不确定性。此外，我们提出了一种更新方案，用于改进抓取姿态算法的质量评分，通过引入完成点云的不确定性来反映抓取候选方案的质量。为测试我们的完整管道，我们在大量家居物品上使用 7 自由度的机器人臂和 2 夹手进行实际抓取测试，并与不测量不确定性的先前方法进行比较。我们的方案能够更好地排序抓取质量，相较于现有方法，在排名第 5 的抓取候选方案中实现更高的抓取成功率。