基于层次堆叠关系预测的目标导向操作优先规划

在涉及抓取多个目标的场景中，物体间堆叠关系的学习是机器人安全高效执行的基础。然而，当前方法缺乏对堆叠关系类型层次的细分。在物体大多有序堆叠的场景中，它们无法做出类人且高效的抓取决策。本文提出一种感知—规划方法，以区分物体间不同堆叠类型，并基于给定目标指定生成优先操作顺序决策。我们利用层次堆叠关系网络（HSRN）判别堆叠层次并生成精细的堆叠关系树（SRT）用于关系描述。考虑到高堆叠稳定性的物体必要时可一起抓取，我们引入了基于部分可观测马尔可夫决策过程（POMDP）的精细决策规划器，其利用观测生成消耗抓取最少且具有鲁棒性的决策链，并适用于同时指定多个目标。为验证我们的工作，我们将场景设为餐桌，并用一组常见餐具模型扩充 REGRAD 数据集用于网络训练。实验表明，我们的方法有效生成符合人类要求的抓取决策，并在保证成功率的基础上较现有方法提升了执行效率。