GoNet: An Approach-Constrained Generative Grasp Sampling Network

要約

棚を空にするときなど、限られたスペースでオブジェクトをピッキングする場合は、グリップのアプローチ方向を制限することが重要です。
しかし、このような機能は、サンプルがオブジェクトの全周を把握する最先端のデータ駆動型把握サンプリング方法では利用できません。
この作業では、アプローチ制約付きデータ駆動型把握サンプラーのトレーニングの特定の問題と、適切な把握方向を自動的に生成する方法に対処します。
私たちのソリューションは GoNet です。これは、把握アプローチ方向を特定の方向に近づけるように制約できる生成的把握サンプラーです。
これは、SO(3) をビンに離散化し、これらのビンから把握を生成するように GoNet をトレーニングすることによって実現されます。
実行時に、観測された点群の 2 番目に大きい主成分と一致するビンが選択されます。
GoNet は、最先端の制約のない把握サンプラーである GraspNet に対して、シミュレーションでの制限のない把握実験と、現実世界での制限のない制限の把握実験でベンチマークされています。
この結果は、GoNet がシミュレーションでより高い成功率を達成し、現実世界のテーブル ピッキングおよび棚ピッキング タスクでベースラインよりも 12% ～ 18% 高い成功率を達成することを示しています。

要約(オリジナル)

Constraining the approach direction of grasps is important when picking objects in confined spaces, such as when emptying a shelf. Yet, such capabilities are not available in state-of-the-art data-driven grasp sampling methods that sample grasps all around the object. In this work, we address the specific problem of training approach-constrained data-driven grasp samplers and how to generate good grasping directions automatically. Our solution is GoNet: a generative grasp sampler that can constrain the grasp approach direction to lie close to a specified direction. This is achieved by discretizing SO(3) into bins and training GoNet to generate grasps from those bins. At run-time, the bin aligning with the second largest principal component of the observed point cloud is selected. GoNet is benchmarked against GraspNet, a state-of-the-art unconstrained grasp sampler, in an unconfined grasping experiment in simulation and on an unconfined and confined grasping experiment in the real world. The results demonstrate that GoNet achieves higher success-over-coverage in simulation and a 12%-18% higher success rate in real-world table-picking and shelf-picking tasks than the baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google