基于抓取后位移概率估计的精确机器人抓取

精确的机器人抓取对于许多工业应用（如装配和码垛）十分重要，这些应用中物体的位置需要被控制且已知。然而，由于感知与控制中的噪声以及未知的物体属性，实现精确抓取具有挑战性。我们提出一种通过训练两个卷积神经网络来规划既鲁棒又精确的机器人抓取的方法——一个用于预测抓取的鲁棒性，另一个用于预测抓取后物体位移的分布。我们的网络在仿真中使用超过 1000 个工业零件的数据集以深度图像进行训练，并成功部署于真实机器人上而无需进一步微调。所提出的位移估计器在真实世界实验中对新物体达到了 0.68cm 和 3.42deg 的平均预测误差。