面向双手抓取规划的物理感知迭代学习与显著性图预测
机器人学
2024-04-16 v1
摘要
学习人类双手抓取技能可以扩展机器人系统在抓取大型或重型物体时的能力。然而，与单手抓取相比，这需要更大的抓取点搜索空间，并且需要大量的双手抓取标注用于网络学习，这使得数据驱动或分析式的抓取方法都效率低下且不足。我们提出一个双手抓取显著性学习框架，旨在基于现有的人类单手抓取数据预测双手抓取的接触点。我们通过最少的双手接触标注来学习显著性对应向量，这些标注建立了双手抓取位置之间的对应关系，从而无需训练大规模双手抓取数据集。现有的单手抓取显著性值作为双手抓取显著性的初始值，我们学习一个显著性调整分数，将其与初始值相加得到最终的双手抓取显著性值，从而能够从单手抓取显著性中预测首选的双手抓取位置。我们还引入了一个物理平衡损失函数和一个物理感知优化模块，以实现物理抓取平衡，从而增强对未知物体的泛化能力。在仿真环境中的综合实验以及在灵巧手爪上的对比表明，我们的方法能够有效实现平衡的双手抓取。
引用
@article{arxiv.2404.08944,
title = {Physics-Aware Iterative Learning and Prediction of Saliency Map for Bimanual Grasp Planning},
author = {Shiyao Wang and Xiuping Liu and Charlie C. L. Wang and Jian Liu},
journal= {arXiv preprint arXiv:2404.08944},
year = {2024}
}