Constrained 6-DoF Grasp Generation on Complex Shapes for Improved Dual-Arm Manipulation

要約

オブジェクトの特定の領域に合わせた把握ポーズを効率的に生成することは、さまざまなロボット操作タスク、特に双腕セットアップの場合に不可欠です。
このシナリオには複雑なジオメトリが含まれるため、大きな課題があり、指定された拘束領域で効率的に把握を生成するには、ローカル ジオメトリを深く理解する必要があります。
既存のメソッドは、テーブルトップ/小さなオブジェクトに関係する設定のみを調査し、トレーニングには拡張データセットを必要とするため、複雑なオブジェクトでのパフォーマンスが制限されます。
我々は、CGDF: Constrained Grasp Diffusion Fields を提案します。これは、任意の形状を持つオブジェクトに一般化するだけでなく、ターゲット領域上で密な把握を生成する、拡散ベースの把握生成モデルです。
CGDF は部分ガイド付き拡散アプローチを使用しており、大規模な制約拡張データセットで明示的にトレーニングすることなく、制約付き把握で高いサンプル効率を得ることができます。
分析メトリクスを使用し、シミュレーションで、制約のない設定と制約のある設定の両方で定性的および定量的な比較を行い、既存の方法ではそうするのが難しい一方で、私たちの方法が複雑なオブジェクトの安定した把握を生成するために一般化できることを示し、特に双腕操作設定に役立ちます。
。

要約(オリジナル)

Efficiently generating grasp poses tailored to specific regions of an object is vital for various robotic manipulation tasks, especially in a dual-arm setup. This scenario presents a significant challenge due to the complex geometries involved, requiring a deep understanding of the local geometry to generate grasps efficiently on the specified constrained regions. Existing methods only explore settings involving table-top/small objects and require augmented datasets to train, limiting their performance on complex objects. We propose CGDF: Constrained Grasp Diffusion Fields, a diffusion-based grasp generative model that generalizes to objects with arbitrary geometries, as well as generates dense grasps on the target regions. CGDF uses a part-guided diffusion approach that enables it to get high sample efficiency in constrained grasping without explicitly training on massive constraint-augmented datasets. We provide qualitative and quantitative comparisons using analytical metrics and in simulation, in both unconstrained and constrained settings to show that our method can generalize to generate stable grasps on complex objects, especially useful for dual-arm manipulation settings, while existing methods struggle to do so.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google