PONG:基于力闭合概率解析界的概率化物体法向抓取方法

经典的抓取规划方法是确定性的,需要完美已知物体的位姿与几何。作为回应,数据驱动方法应运而生,完全从传感数据规划抓取。尽管这些数据驱动方法在生成平行夹爪抓取和力抓取方面表现出色,但其在精密抓取(使用灵巧手指尖的抓取,例如用于工具操作)上的应用仍然有限。精密抓取因其对物体几何的敏感性而构成独特挑战,物体形状与位姿的微小不确定性即可导致原本稳健的抓取失败。针对这些挑战,我们提出用于抓取的概率化物体法向(Probabilistic Object Normals for Grasping, PONG),一种新颖的解析方法,用于在接触位置已知但表面法向不确定时计算力闭合概率的保守估计。随后我们给出一个实际应用,将 PONG 用作抓取度量,在仿真与真实硬件实验中生成稳健抓取。结果表明,最大化 PONG 能高效产生稳健抓取,即便面对困难物体几何亦如此,并且它可作为一种校准良好、具有不确定性感知的抓取质量度量。