基于不确定形状补全的鲁棒抓取规划

我们提出了一种针对不确定形状补全物体的鲁棒抓取规划方法。对于形状补全，训练一个深度神经网络以物体的部分视图作为输入，并输出补全后的形状（以体素网格表示）。该网络的关键在于 dropout 层，其在训练期间和运行时均被启用，通过蒙特卡洛采样生成一组表示形状不确定性的形状样本。给定这组形状补全物体，我们在平均物体形状上生成抓取候选，但依据它们在所有形状候选上基于解析抓取度量的联合表现进行评估。我们在仿真中对 90000 次抓取和真实 Franka Emika Panda 机器人上的 200 次抓取，使用 Barrett 手将我们的方法与另一种最先进的方法进行实验验证和基准测试。所有实验结果在抓取质量度量和抓取成功率方面均显示出统计显著性提升，表明规划形状不确定性感知的抓取相比仅在单一形状估计上规划具有显著优势，尤其是在处理复杂或未知物体时。