PointNetGPD：从点集检测抓取配置
机器人学
2020-10-16 v4
摘要
本文中，我们提出一种端到端抓取评估模型，以解决直接从点云定位机器人抓取配置的难题。相较于近期基于手工深度特征与卷积神经网络（CNN）的抓取评估指标，我们提出的PointNetGPD轻量且可直接处理位于夹爪内的3D点云以进行抓取评估。以原始点云为输入，我们提出的抓取评估网络即便在点云非常稀疏时，也能捕捉夹爪与物体间接触区域的复杂几何结构。为进一步提升所提模型，我们利用YCB物体集生成了包含35万真实点云与抓取的大规模抓取数据集用于训练。该模型的性能在仿真与机器人硬件上均进行了定量评测。物体抓取与杂乱环境清除实验表明，我们的模型对新物体泛化良好，且优于当前最优方法。代码与视频见\href{https://lianghongzhuo.github.io/PointNetGPD}{https://lianghongzhuo.github.io/PointNetGPD}
引用
@article{arxiv.1809.06267,
title = {PointNetGPD: Detecting Grasp Configurations from Point Sets},
author = {Hongzhuo Liang and Xiaojian Ma and Shuang Li and Michael Görner and Song Tang and Bin Fang and Fuchun Sun and Jianwei Zhang},
journal= {arXiv preprint arXiv:1809.06267},
year = {2020}
}
备注
Accepted to ICRA 2019. Hongzhuo Liang and Xiaojian Ma contributed equally to this work