UniDexGrasp：通过多样化提议生成与目标条件策略学习实现通用机器人灵巧抓取
机器人学
2023-03-28 v2 计算机视觉与模式识别
摘要
本工作中，我们解决在桌面设定下从点云观测学习通用机器人灵巧抓取的问题。目标是高质量且多样化地抓取并抬起物体，并泛化到数百个类别甚至未见过的物体。受平行夹爪抓取中成功流程的启发，我们将任务分为两个阶段：1）抓取提议（位姿）生成；2）目标条件抓取执行。对于第一阶段，我们提出了一种新颖的基于点云观测的抓取位姿概率模型，该模型将旋转从平移与关节运动中分解出来。在我们合成的大规模灵巧抓取数据集上训练后，该模型使我们能够为物体点云采样多样且高质量的灵巧抓取位姿。对于第二阶段，由于灵巧抓取执行涉及的复杂性，我们提议用目标条件抓取策略替代平行夹爪抓取中使用的运动规划。需注意，学习这种仅接收无预言机状态的真实输入且高度可泛化的抓取策略极具挑战。因此我们提出了若干重要创新，包括状态规范化、物体课程和师生蒸馏。将两阶段整合，我们的最终流程成为首个实现灵巧抓取通用泛化的方法，在数千个物体实例上展示了超过 60% 的平均成功率，显著优于所有基线，同时仅表现出最小的泛化差距。
引用
@article{arxiv.2303.00938,
title = {UniDexGrasp: Universal Robotic Dexterous Grasping via Learning Diverse Proposal Generation and Goal-Conditioned Policy},
author = {Yinzhen Xu and Weikang Wan and Jialiang Zhang and Haoran Liu and Zikang Shan and Hao Shen and Ruicheng Wang and Haoran Geng and Yijia Weng and Jiayi Chen and Tengyu Liu and Li Yi and He Wang},
journal= {arXiv preprint arXiv:2303.00938},
year = {2023}
}
备注
Accepted to CVPR 2023