Constrained Generative Sampling of 6-DoF Grasps

要約

最先端のデータ駆動型把握サンプリング手法のほとんどは、対象物体上で安定した衝突のない均一な把握を提案します。
ビンピッキングの場合は、これらの到達可能な把握のいずれかを実行するだけで十分です。
ただし、ボトルから液体を絞り出すなどの特定のタスクを完了するには、キャップなどの他の場所を避けて、オブジェクトの体の特定の部分を握る必要があります。
この研究では、制約付き 6 自由度 (DoF) 把握サンプリングが可能な生成把握サンプリング ネットワーク VCGS を紹介します。
さらに、拘束された把握方法をトレーニングおよび評価するために設計された新しいデータセットも厳選しています。
CONG と呼ばれる新しいデータセットは、合成的にレンダリングされた点群の 1,400 万を超えるトレーニング サンプルで構成され、2,889 個のオブジェクト上のランダムなターゲット領域を把握します。
VCGS は、シミュレーションおよび実際のロボット上で、最先端の非制約把握サンプラーである GraspNet に対してベンチマークが行われます。
結果は、VCGS がベースラインよりも 10 ～ 15% 高い把握成功率を達成しながら、サンプル効率が 2 ～ 3 倍であることを示しています。
補足資料はプロジェクトの Web サイトから入手できます。

要約(オリジナル)

Most state-of-the-art data-driven grasp sampling methods propose stable and collision-free grasps uniformly on the target object. For bin-picking, executing any of those reachable grasps is sufficient. However, for completing specific tasks, such as squeezing out liquid from a bottle, we want the grasp to be on a specific part of the object’s body while avoiding other locations, such as the cap. This work presents a generative grasp sampling network, VCGS, capable of constrained 6 Degrees of Freedom (DoF) grasp sampling. In addition, we also curate a new dataset designed to train and evaluate methods for constrained grasping. The new dataset, called CONG, consists of over 14 million training samples of synthetically rendered point clouds and grasps at random target areas on 2889 objects. VCGS is benchmarked against GraspNet, a state-of-the-art unconstrained grasp sampler, in simulation and on a real robot. The results demonstrate that VCGS achieves a 10-15% higher grasp success rate than the baseline while being 2-3 times as sample efficient. Supplementary material is available on our project website.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google