DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation

要約

ロボットの器用な把持は、人間のような器用な物体操作を可能にするための最初のステップであり、したがって重要なロボット技術です。
ただし、器用な把持は、部分的に大規模なデータセットが不足しているため、並列グリッパーを使用したオブジェクトの把持よりもはるかに調査されていません。
この作業では、大規模なロボットの器用な把握データセット、DexGraspNet を提示します。これは、提案された非常に効率的な合成方法によって生成され、器用な手に一般的に適用できます。
私たちの方法は、深く加速された微分可能な力閉鎖推定量を活用するため、安定した多様な把握を大規模に効率的かつ堅牢に合成できます。
ShadowHand を選択し、5,355 個のオブジェクトに対して 132 万回の把握を生成します。これは、133 を超えるオブジェクト カテゴリをカバーし、オブジェクト インスタンスごとに 200 を超える多様な把握を含み、すべての把握は Isaac Gym シミュレーターによって検証されています。
Liuらの以前のデータセットと比較して。
GraspIt! によって生成されたデータセットには、より多くのオブジェクトと把握があるだけでなく、より高い多様性と品質も含まれています。
クロスデータセット実験を実行することにより、データセットで器用な把握合成のいくつかのアルゴリズムをトレーニングすると、以前のトレーニングよりも大幅に優れていることがわかります。
人間と Allegro の把握合成のコードを含むデータとコードにアクセスするには、プロジェクト ページ (https://pku-epic.github.io/DexGraspNet/) にアクセスしてください。

要約(オリジナル)

Robotic dexterous grasping is the first step to enable human-like dexterous object manipulation and thus a crucial robotic technology. However, dexterous grasping is much more under-explored than object grasping with parallel grippers, partially due to the lack of a large-scale dataset. In this work, we present a large-scale robotic dexterous grasp dataset, DexGraspNet, generated by our proposed highly efficient synthesis method that can be generally applied to any dexterous hand. Our method leverages a deeply accelerated differentiable force closure estimator and thus can efficiently and robustly synthesize stable and diverse grasps on a large scale. We choose ShadowHand and generate 1.32 million grasps for 5355 objects, covering more than 133 object categories and containing more than 200 diverse grasps for each object instance, with all grasps having been validated by the Isaac Gym simulator. Compared to the previous dataset from Liu et al. generated by GraspIt!, our dataset has not only more objects and grasps, but also higher diversity and quality. Via performing cross-dataset experiments, we show that training several algorithms of dexterous grasp synthesis on our dataset significantly outperforms training on the previous one. To access our data and code, including code for human and Allegro grasp synthesis, please visit our project page: https://pku-epic.github.io/DexGraspNet/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google