Sim-Suction：基于合成基准的杂乱环境吸力抓取策略学习
机器人学
2023-11-29 v2 人工智能
摘要
本文提出 Sim-Suction，一种面向具有动态相机视角的移动操作平台的鲁棒物体感知吸力抓取策略，旨在从杂乱环境中拾取未知物体。吸力抓取策略通常采用数据驱动方法，需要大规模、精确标注的吸力抓取数据集。然而，杂乱环境中吸力抓取数据集的生成仍待探索，导致关于感兴趣物体与其周围环境关系的不确定性。为此，我们提出一个基准合成数据集 Sim-Suction-Dataset，包含 500 个杂乱环境及 320 万标注吸力抓取位姿。高效的 Sim-Suction-Dataset 生成过程通过结合解析模型与动态物理仿真来创建快速且准确的吸力抓取位姿标注，提供了新颖见解。我们引入 Sim-Suction-Pointnet，通过从 Sim-Suction-Dataset 学习逐点可供性并利用零样本文本到分割的协同作用，生成鲁棒的 6D 吸力抓取位姿。针对拾取所有物体的真实世界实验表明，Sim-Suction-Pointnet 在杂乱等级 1 物体（棱柱形状）、杂乱等级 2 物体（更复杂几何）及杂乱混合物体上的成功率分别达到 96.76%、94.23% 和 92.39%。Sim-Suction 策略在杂乱混合场景中比测试的最先进基准高出约 21%。
引用
@article{arxiv.2305.16378,
title = {Sim-Suction: Learning a Suction Grasp Policy for Cluttered Environments Using a Synthetic Benchmark},
author = {Juncheng Li and David J. Cappelleri},
journal= {arXiv preprint arXiv:2305.16378},
year = {2023}
}
备注
IEEE Transactions on Robotics