DMFC-GraspNet: Differentiable Multi-Fingered Robotic Grasp Generation in Cluttered Scenes

要約

ロボットによる把握は、ロボット工学における物体操作に必要な基本的なスキルです。
人間の手の構造を模倣した多指ロボットハンドは、複雑な物体操作を実行できる可能性があります。
それにもかかわらず、多指ロボットによる把握のための現在の技術は、推論時間ごとに 1 つの把握のみを予測することが多く、汎用性と効率が制限されています。
この論文では、この課題に対処するための 2 つの主な貢献を備えた微分可能なマルチフィンガー把握生成ネットワーク (DMFC-GraspNet) を提案します。
まず,新しいニューラル把握プランナを提案し,新しい把握表現を予測して,多用途で緻密な把握予測を可能にする。
第二に、多指ロボットハンドの高密度ラベル付けのためのシーン作成およびラベルマッピング方法が開発され、これによりグラウンドトゥルース把握の高密度な関連付けが可能になります。
提案されたアプローチはシミュレーション研究を通じて評価され、既存のアプローチと比較されます。
この結果は、多用途かつ高密度の把握を予測し、ロボットによる把握の分野を進歩させる上で、提案されたアプローチの有効性を示しています。

要約(オリジナル)

Robotic grasping is a fundamental skill required for object manipulation in robotics. Multi-fingered robotic hands, which mimic the structure of the human hand, can potentially perform complex object manipulations. Nevertheless, current techniques for multi-fingered robotic grasping frequently predict only a single grasp for each inference time, limiting their versatility and efficiency. This paper proposes a differentiable multi-fingered grasp generation network (DMFC-GraspNet) with two main contributions to address this challenge. Firstly, a novel neural grasp planner is proposed, which predicts a new grasp representation to enable versatile and dense grasp predictions. Secondly, a scene creation and label mapping method is developed for dense labeling of multi-fingered robotic hands, which allows a dense association of ground truth grasps. The proposed approach is evaluated through simulation studies and compared to existing approaches. The results demonstrate the effectiveness of the proposed approach in predicting versatile and dense grasps, and in advancing the field of robotic grasping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google