面向物体抓取的基元形状识别

形状在物体应如何被抓取（包括抓取位置和方式）方面提供了关键信息。为此，本文描述了一种基于分割的架构，用于将深度相机感知到的物体分解为多个基元形状，并配套一个用于机器人抓取的后处理流水线。分割采用一个名为 PS-CNN 的深度网络，该网络在包含 6 类基元形状并使用仿真引擎生成的合成数据上训练。每个基元形状都设计了参数化的抓取族，使得流水线能为每个形状区域识别多个抓取候选。抓取按顺序排列，选择第一个可行的抓取执行。对于单个物体的无任务抓取，该方法达到了 94.2% 的成功率，与基于自顶向下和 SE(3) 的方法相比，位居性能最佳的抓取方法之列。涉及可变视角和杂物的额外测试证明了其对设置变化的鲁棒性。对于有任务抓取，PS-CNN 达到了 93.0% 的成功率。总体而言，结果支持了以下假设：在抓取流水线中显式编码形状基元应能提升抓取性能，包括无任务和相关任务的抓取预测。