重新思考六自由度抓取检测：一个面向高质量抓取的灵活框架

机器人抓取是完成复杂任务的一项基本技能，也是智能的基础。对于一般的六自由度抓取，大多数先前方法直接提取场景级语义或几何信息，而很少考虑其对各种下游应用（如面向目标的抓取）的适用性。针对这一问题，我们从以抓取为中心的视角重新思考六自由度抓取检测，并提出了一个既能处理场景级抓取又能处理面向目标抓取的多功能抓取框架。我们的框架FlexLoG由一个灵活引导模块和一个局部抓取模型组成。具体而言，灵活引导模块兼容全局引导（如抓取热图）和局部引导（如视觉定位），能够在各种任务中生成高质量抓取。局部抓取模型聚焦于与物体无关的区域点，并局部且专注地预测抓取。实验结果表明，我们的框架在GraspNet-1Billion数据集的未见过划分上实现了超过18%和23%的提升。此外，在三种不同设置下的真实世界机器人测试中，取得了95%的成功率。