SGDN：面向非对称三指夹爪的基于分割的抓取检测网络
机器人学
2020-05-20 v1
摘要
本文提出基于分割的抓取检测网络（SGDN），利用 RGB 图像预测非对称三指机器人夹爪的可行抓取。目标的可行抓取应是一组具有相同抓取角度和宽度的抓取区域的集合。换言之，简化的平面抓取表示应为像素级而非区域级，例如五维抓取表示。因此，我们提出一种像素级抓取表示——定向底边固定三角形。它也更适用于非对称三指夹爪，该夹爪在抓取某些物体时无法对称抓取，其抓取角度范围为 [0, 2π) 而非平行板夹爪的 [0, π)。为预测 RGB 图像中合适的抓取区域及其对应的抓取角度和宽度，SGDN 使用 DeepLabv3+ 作为特征提取器，并使用三通道抓取预测器预测每个像素的可行定向底边固定三角形抓取表示。在重新标注的 Cornell Grasp Dataset 上，我们的模型在图像级划分和物体级划分上分别达到 96.8% 和 92.27% 的准确率，并获得了与最先进方法一致的准确预测。
引用
@article{arxiv.2005.08222,
title = {SGDN: Segmentation-Based Grasp Detection Network For Unsymmetrical Three-Finger Gripper},
author = {Dexin Wang},
journal= {arXiv preprint arXiv:2005.08222},
year = {2020}
}
备注
9 pages, 8 figures. arXiv admin note: text overlap with arXiv:1803.02209 by other authors