同一物体，不同抓取：面向任务抓取的数据与语义知识
机器人学
2020-11-16 v2 计算机视觉与模式识别
摘要
尽管近年来机器人抓取取得了巨大进展并具有泛化能力，现有方法尚未在同等程度上扩展和泛化面向任务的抓取。这很大程度上是由于数据集在研究对象数量和任务数量上的规模限制。我们通过 TaskGrasp 数据集解决这些问题，该数据集在物体和任务方面都更具多样性，且比先前数据集大一个数量级。该数据集包含针对 56 个任务和 191 个物体的 250K 个面向任务的抓取及其 RGB-D 信息。我们利用数据中这一新的广度和多样性，提出了 GCNGrasp 框架，该框架使用编码在知识图谱中的物体和任务的语义知识来泛化到新的物体实例、类别甚至新任务。我们的框架在留出设置上相比不使用语义的基线方法显示出约 12% 的显著提升。我们通过在真实机器人上对未知物体执行面向任务的抓取，证明了我们的数据集和模型适用于真实世界。代码、数据和补充视频可在 https://sites.google.com/view/taskgrasp 找到。
引用
@article{arxiv.2011.06431,
title = {Same Object, Different Grasps: Data and Semantic Knowledge for Task-Oriented Grasping},
author = {Adithyavairavan Murali and Weiyu Liu and Kenneth Marino and Sonia Chernova and Abhinav Gupta},
journal= {arXiv preprint arXiv:2011.06431},
year = {2020}
}
备注
Accepted to Conference on Robot Learning (CoRL) 2020