DG16M: A Large-Scale Dataset for Dual-Arm Grasping with Force-Optimized Grasps

要約

デュアルアームロボットの把握は、安定した調整された操作を必要とする大きなオブジェクトを処理するために重要です。
シングルアームの把握は広範囲に研究されていますが、デュアルアーム設定に合わせたデータセットは依然として不足しています。
改良された力閉鎖制約の下で評価された1600万のデュアルアームグラップの大規模なデータセットを導入します。
さらに、物理シミュレーション環境で評価された約30,000個の握りを備えた300個のオブジェクトを含むベンチマークデータセットを開発し、デュアルアーム把握合成方法のより良い把握品質評価を提供します。
最後に、最先端のメソッドを15 \％上回るデュアルアーム把握分類装置ネットワークをトレーニングすることにより、データセットの有効性を実証し、オブジェクト全体でより高い把握成功率と一般化の改善を達成します。

要約(オリジナル)

Dual-arm robotic grasping is crucial for handling large objects that require stable and coordinated manipulation. While single-arm grasping has been extensively studied, datasets tailored for dual-arm settings remain scarce. We introduce a large-scale dataset of 16 million dual-arm grasps, evaluated under improved force-closure constraints. Additionally, we develop a benchmark dataset containing 300 objects with approximately 30,000 grasps, evaluated in a physics simulation environment, providing a better grasp quality assessment for dual-arm grasp synthesis methods. Finally, we demonstrate the effectiveness of our dataset by training a Dual-Arm Grasp Classifier network that outperforms the state-of-the-art methods by 15\%, achieving higher grasp success rates and improved generalization across objects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google