面向机器人操作的神经抓取距离场
机器人学
2023-12-29 v3
摘要
我们将抓取学习表述为一个神经场，并提出神经抓取距离场（Neural Grasp Distance Fields, NGDF）。其输入为机器人末端执行器的6D位姿，输出为到物体有效抓取连续流形的距离。与当前预测一组离散候选抓取的方法不同，这种基于距离的NGDF表示可轻易解释为代价，最小化该代价即可产生成功的抓取位姿。该抓取距离代价可直接纳入轨迹优化器中，与轨迹平滑度和碰撞避免等其他代价进行联合优化。在优化过程中，随着各种代价被平衡和最小化，由于所学抓取场是连续的，抓取目标可平滑变化。我们在仿真和真实世界的联合抓取与运动规划上评估了NGDF，在执行成功率上超越基线63%，同时能泛化到未见过的查询位姿和未见过的物体形状。项目页面：https://sites.google.com/view/neural-grasp-distance-fields。
引用
@article{arxiv.2211.02647,
title = {Neural Grasp Distance Fields for Robot Manipulation},
author = {Thomas Weng and David Held and Franziska Meier and Mustafa Mukadam},
journal= {arXiv preprint arXiv:2211.02647},
year = {2023}
}
备注
Accepted to ICRA 2023