SuperQ-GRASP: 基于超二次曲面的移动操作中较大物体抓取姿态估计
机器人学
2025-04-11 v3
摘要
抓取规划与估计是机器人学中一个长期研究的问题，主要有两种方法用于寻找物体上的可抓取姿态：1）几何方法，依赖物体的3D模型和夹爪来估计有效的抓取姿态；2）数据驱动的基于学习的方法，通过模型从原始传感器观测中识别抓取姿态。后者假设训练阶段具有全面的几何覆盖。然而，数据驱动的方法通常偏向于桌面场景，难以泛化到具有较大物体（如椅子）的分布外场景。此外，来自这些较大物体单次观测的原始传感器数据（如RGB-D数据）通常不完整，需要额外的观测。在本文中，我们采用几何方法，利用物体建模的最新进展（如NeRF）通过获取目标物体周围各视角的RGB图像来构建隐式模型。该模型不仅能够提取显式网格模型，还能捕获来自新视角的视觉外观，这对物体检测和姿态估计等感知任务很有用。我们进一步将NeRF重构的3D网格分解为超二次曲面（SQs）——参数化几何基元，每个基元映射到一组预计算的抓取姿态，从而允许基于这些基元在目标物体上进行抓取组合。所提出的流水线解决了以下问题：a）通过建模步骤解决噪声深度和不完整视角的问题；b）泛化到任意尺寸的物体。更多定性结果请参见补充视频和网页 https://bit.ly/3ZrOanU
引用
@article{arxiv.2411.04386,
title = {SuperQ-GRASP: Superquadrics-based Grasp Pose Estimation on Larger Objects for Mobile-Manipulation},
author = {Xun Tu and Karthik Desingh},
journal= {arXiv preprint arXiv:2411.04386},
year = {2025}
}
备注
8 pages, 7 figures, accepted by ICRA 2025