基于机器人手持RGB-D传感器感知的受限空间中对象检索的神经 Rearrangement规划

从受限空间中检索物体的置换规划是一项具有挑战性的任务，主要由于机器人运动缺乏开放空间且感知受限。虽然存在多种传统方法来解决对象检索任务，但它们需要摄像机进行感知，且进行耗时的穷举搜索往往不切实际，常常做出不现实的假设，如环境中存在相同、简单几何形状的物体。本文提出一种神经对象检索框架，高效地对未知、任意形状的物体在受限空间内进行置换规划，以检索给定机器人抓取的目标对象。我们的框架通过机器人手持摄像头主动感知环境，然后选择和重新定位不包含目标的物体，以便它们不阻挡机器人到目标对象的路径同调，从而也有助于底层路径规划器快速找到机器人运动序列。此外，我们在具有挑战性的场景中展示了该框架，包括带有任意家庭用品的实物橱柜式环境。结果表明，本框架在所有所呈方法中实现了最佳性能，平均计算速度比最佳基线快两个数量级。