Task-Oriented Grasping with Point Cloud Representation of Objects

要約

本論文では、アイ・イン・ハンド・カメラ構成を使用した部分点群データからのタスク指向把握合成の問題を研究します。
タスク指向の把握合成では、操作中にオブジェクトが失われないように把握を選択する必要があり、また、タスクを実行するために適切な力/モーメントを適用できることも保証されます。
私たちは、大まかな操作タスクの概念を、把握後に物体に適用される一定のネジの動き (または一連の一定のネジの動き) として形式化します。
このタスクの概念と、以前の研究で開発された対応する把握品質メトリックを使用して、ニューラル ネットワークを使用して直方体形状の把握品質メトリックを予測する関数を近似します。
物体の部分的な点群から取得した境界ボックスと上記の把握品質メトリックを使用することにより、実際の物体の対蹠的把握を計算するために使用できる適切な把握領域を境界ボックス上に生成できることを示します。
。
私たちのアルゴリズムは手動でラベル付けされたデータや把握シミュレーターを使用しないため、ねじ線形補間ベースのモーション プランナーの実装と統合が非常に効率的になります。
私たちのアプローチの有効性を示すシミュレーションと実験結果を紹介します。

要約(オリジナル)

In this paper, we study the problem of task-oriented grasp synthesis from partial point cloud data using an eye-in-hand camera configuration. In task-oriented grasp synthesis, a grasp has to be selected so that the object is not lost during manipulation, and it is also ensured that adequate force/moment can be applied to perform the task. We formalize the notion of a gross manipulation task as a constant screw motion (or a sequence of constant screw motions) to be applied to the object after grasping. Using this notion of task, and a corresponding grasp quality metric developed in our prior work, we use a neural network to approximate a function for predicting the grasp quality metric on a cuboid shape. We show that by using a bounding box obtained from the partial point cloud of an object, and the grasp quality metric mentioned above, we can generate a good grasping region on the bounding box that can be used to compute an antipodal grasp on the actual object. Our algorithm does not use any manually labeled data or grasping simulator, thus making it very efficient to implement and integrate with screw linear interpolation-based motion planners. We present simulation as well as experimental results that show the effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google