QDGset: A Large Scale Grasping Dataset Generated with Quality-Diversity

要約

近年のAIの進歩により、ロボットの学習において大きな成果が得られているが、把持のような技能はまだ部分的にしか解決されていない。最近の多くの研究は、未知の物体を把持することを学習するために、合成把持データセットを利用している。しかし、これらのデータセットは、事前分布を用いた単純な把持サンプリング法を用いて生成されたものである。近年、Quality-Diversity(QD)アルゴリズムにより、把持サンプリングが大幅に効率化されることが証明されている。本研究では、物体中心の把持を生成するためのQDフレームワークであるQDG-6DoFを拡張し、合成把持データセットの生成をスケールアップする。我々は、物体メッシュの変換と過去の把持レパートリーからの転移学習を組み合わせたデータ増強法を提案する。実験の結果、この手法により、発見されたロバスト把持1つあたりに必要な評価回数を最大20%削減できることがわかった。我々はこの手法を使って、6DoFの把持ポーズのデータセットであるQDGsetを生成した。QDGsetには、従来の最先端技術と比較して、それぞれ約3.5倍と4.5倍の把持ポーズと物体が含まれている。本手法により、誰でも簡単にデータを生成することができ、最終的には大規模な合成把持の協調データセットに貢献することができる。

要約(オリジナル)

Recent advances in AI have led to significant results in robotic learning, but skills like grasping remain partially solved. Many recent works exploit synthetic grasping datasets to learn to grasp unknown objects. However, those datasets were generated using simple grasp sampling methods using priors. Recently, Quality-Diversity (QD) algorithms have been proven to make grasp sampling significantly more efficient. In this work, we extend QDG-6DoF, a QD framework for generating object-centric grasps, to scale up the production of synthetic grasping datasets. We propose a data augmentation method that combines the transformation of object meshes with transfer learning from previous grasping repertoires. The conducted experiments show that this approach reduces the number of required evaluations per discovered robust grasp by up to 20%. We used this approach to generate QDGset, a dataset of 6DoF grasp poses that contains about 3.5 and 4.5 times more grasps and objects, respectively, than the previous state-of-the-art. Our method allows anyone to easily generate data, eventually contributing to a large-scale collaborative dataset of synthetic grasps.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL