6-DoF Grasp Detection in Clutter with Enhanced Receptive Field and Graspable Balance Sampling

要約

ロボットが特定のタスクを実行するためには、小規模な把持の6自由度把持検出が極めて重要である。本論文では、把持予測結果の全体的な精度とネットワークの汎化能力を向上させることを目的とし、小規模把持の認識能力を向上させることに焦点を当てる。本論文では、多放射線円柱グルーピングモジュールと受動的注意モジュールを含む拡張受容野法を提案する。この方法は、把持可能空間内の受容野を拡張し、把持可能特徴の学習を強化する。さらに、セグメンテーションネットワークに基づく把持可能バランスサンプリングモジュールを設計することで、ネットワークが小さな物体の特徴に集中できるようになり、小規模把持の認識能力が向上する。我々のネットワークはGraspNet-1Billionデータセットにおいて最先端の性能を達成し、平均精度@k (AP)で約10%の全体的な改善を示した。さらに、我々の把持検出モデルをpybullet把持プラットフォームに導入し、本手法の有効性を検証した。

要約(オリジナル)

6-DoF grasp detection of small-scale grasps is crucial for robots to perform specific tasks. This paper focuses on enhancing the recognition capability of small-scale grasping, aiming to improve the overall accuracy of grasping prediction results and the generalization ability of the network. We propose an enhanced receptive field method that includes a multi-radii cylinder grouping module and a passive attention module. This method enhances the receptive field area within the graspable space and strengthens the learning of graspable features. Additionally, we design a graspable balance sampling module based on a segmentation network, which enables the network to focus on features of small objects, thereby improving the recognition capability of small-scale grasping. Our network achieves state-of-the-art performance on the GraspNet-1Billion dataset, with an overall improvement of approximately 10% in average precision@k (AP). Furthermore, we deployed our grasp detection model in pybullet grasping platform, which validates the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL