GoNet: An Approach-Constrained Generative Grasp Sampling Network

要約

この研究は、アプローチに制約のあるデータ駆動型把握サンプラーの学習の問題に対処します。
この目的を達成するために、我々は、把握アプローチ方向を SO(3) のサブセットに制限できる生成的把握サンプラーである GoNet を提案します。
重要な洞察は、SO(3) を事前定義された数のビンに離散化し、アプローチ方向がそれらのビン内にある把握を生成するように GoNet をトレーニングすることです。
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、シミュレーションでの非拘束把握実験と現実世界での非拘束および拘束把握実験において、最先端の非拘束把握サンプラーである GraspNet に対してベンチマークされます。
結果は、GoNet がシミュレーションでより高いカバレッジ成功率を実現し、実際のテーブルピッキングおよび棚ピッキングタスクではベースラインよりも 12% ～ 18% 高い成功率を達成していることを示しています。

要約(オリジナル)

This work addresses the problem of learning approach-constrained data-driven grasp samplers. To this end, we propose GoNet: a generative grasp sampler that can constrain the grasp approach direction to a subset of SO(3). The key insight is to discretize SO(3) into a predefined number of bins and train GoNet to generate grasps whose approach directions are within 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