SuctionNet-1Billion：一个用于吸附抓取的大规模基准
机器人学
2021-11-01 v2 计算机视觉与模式识别
摘要
吸附是解决长期存在的机器人抓取问题的一个重要方案。与其他抓取方式相比，吸附抓取更易表示且实践中通常更可靠。尽管在许多场景中被青睐，它尚未被充分研究，且缺乏充足的训练数据与评估基准。为此，首先，我们提出一种新的物理模型，以解析方式评估吸附抓取的密封形成与扳手阻力，这两者是抓取成功的关键方面。其次，采用两步法在真实世界杂乱场景收集的大规模数据集上生成标注。第三，提出一种标准在线评估系统，用于在连续操作空间中评估吸附位姿，可在无需穷尽标注的情况下公平地对不同算法进行基准测试。我们进行了真实机器人实验以表明我们的标注与真实世界吻合良好。同时，我们提出一种从杂乱场景的RGB-D图像预测大量吸附位姿的方法，并展示了相对于几种先前方法的优越性。进一步提供了结果分析以帮助读者更好地理解该领域的挑战。数据与源代码公开于www.graspnet.net。
引用
@article{arxiv.2103.12311,
title = {SuctionNet-1Billion: A Large-Scale Benchmark for Suction Grasping},
author = {Hanwen Cao and Hao-Shu Fang and Wenhai Liu and Cewu Lu},
journal= {arXiv preprint arXiv:2103.12311},
year = {2021}
}