触觉重抓：通过模拟触觉变换进行抓取调整

本文提出一种新颖的利用触觉感知规划局部抓取调整的重抓控制策略。我们的方法通过虚拟搜索改善抓取质量的触觉测量局部变换来确定重抓动作。首先，我们使用在超过2800次抓取上训练的深度卷积神经网络构建基于触觉的抓取质量度量。每次抓取的质量为0至1之间的连续值，通过测量其抵抗外部扰动的能力实验确定。其次，通过对给定触觉测量执行刚体变换，模拟与初始抓取相对的机器人运动相关的触觉印记。利用学到的抓取质量网络评估新生成的触觉印记，并选择使抓取质量最大的重抓动作。结果表明，抓取质量网络在已知物体上预测抓取结果的准确率平均为85%，在12个物体的交叉验证集上平均为75%。重抓控制策略在8个物体的测试集上将抓取动作成功率平均相对提升了70%。