PointNet++抓取：从稀疏点云学习端到端空间抓取生成算法
机器人学
2020-03-24 v1
摘要
对新物体的抓取对于非结构化环境中的机器人操作十分重要。当前多数工作需经抓取采样过程获取候选抓取，并结合使用深度学习的局部特征提取器。该流程耗时，尤其在抓取点稀疏时（如碗的边缘）。本文提出一种端到端方法，直接预测所有抓取的位姿、类别与分数（质量）。它以整片稀疏点云为输入，无需采样或搜索过程。此外，为生成多物体场景的训练数据，我们提出一种基于Ferrari Canny度量的快速多物体抓取检测算法。生成了单物体数据集（来自YCB物体集的79个物体，23.7k个抓取）与多物体数据集（带标注与掩码的20k点云）。引入基于PointNet++并结合多掩码损失的网络以处理不同训练点。我们网络的整体权重规模仅约11.6M，使用GeForce 840M GPU进行整次预测过程约需102ms。实验表明我们的工作取得71.43%成功率与91.60%完成率，优于当前SOTA工作。
引用
@article{arxiv.2003.09644,
title = {PointNet++ Grasping: Learning An End-to-end Spatial Grasp Generation Algorithm from Sparse Point Clouds},
author = {Peiyuan Ni and Wenguang Zhang and Xiaoxiao Zhu and Qixin Cao},
journal= {arXiv preprint arXiv:2003.09644},
year = {2020}
}
备注
Accepted at the International Conference on Robotics and Automation (ICRA) 2020