可供性与几何的协同：基于隐式表示的六自由度抓取检测
机器人学
2021-07-22 v2 人工智能
计算机视觉与模式识别
摘要
杂乱环境下的抓取检测要求机器人根据不完整且有噪声的感知对三维场景进行推理。本工作中，我们认识到三维重建与抓取学习是两项紧密关联的任务，二者均需要对局部几何细节的细粒度理解。因此我们提出通过共享表示的多任务学习来利用抓取可供性（grasp affordance）与三维重建之间的协同作用。我们的模型利用深度隐式函数这一连续且内存高效的表示，以实现两项任务的可微训练。我们在仿真中的自监督抓取试验数据上训练模型。评估在一个杂乱物体清除任务上进行，机器人通过逐一抓取来清理杂乱物体。仿真与真实机器人上的实验结果表明，使用隐式神经表示并联合学习抓取可供性与三维重建带来了最先进的抓取结果。我们的方法在抓取成功率上超越基线超过10%。更多结果与视频见 https://sites.google.com/view/rpl-giga2021
引用
@article{arxiv.2104.01542,
title = {Synergies Between Affordance and Geometry: 6-DoF Grasp Detection via Implicit Representations},
author = {Zhenyu Jiang and Yifeng Zhu and Maxwell Svetlik and Kuan Fang and Yuke Zhu},
journal= {arXiv preprint arXiv:2104.01542},
year = {2021}
}