Constrained Generative Sampling of 6-DoF Grasps

要約

最先端のデータ駆動型把握サンプリング方法のほとんどは、ターゲット オブジェクトに対して均一で安定した衝突のない把握を提案します。
ビンピッキングの場合、これらの把握のいずれかを実行するだけで十分です。
ただし、ボトルから液体を絞り出すなどの特定のタスクを完了するには、キャップなどの他の場所を避けて、オブジェクト本体の特定の部分をつかむ必要があります。
この作業では、制約付き 6 自由度 (DoF) 把握サンプリングが可能な生成的把握サンプリング ネットワーク、VCGS を提示します。
さらに、制約付き把持の方法をトレーニングおよび評価するために設計された新しいデータセットもキュレートします。
CONG と呼ばれる新しいデータセットは、合成的にレンダリングされた点群の 1,400 万を超えるトレーニング サンプルで構成され、2,889 個のオブジェクトのランダムなターゲット領域を把握します。
VCGS は、シミュレーションおよび実際のロボットで、最先端の制約のない把握サンプラーである GraspNet に対してベンチマークされています。
結果は、VCGS がベースラインよりも 10 ～ 15% 高い把握成功率を達成し、サンプル効率が 2 ～ 3 倍であることを示しています。

要約(オリジナル)

Most state-of-the-art data-driven grasp sampling methods propose stable and collision-free grasps uniformly on the target object. For bin-picking, executing any of those grasps is sufficient. However, for completing specific tasks, such as squeezing out liquid from a bottle, we want the grasp to be on a specific part on the object body while avoiding other locations, such as the cap. In this work, we present a generative grasp sampling network, VCGS, capable of constrained 6-Degrees-of-Freedom (DoF) grasp sampling. In addition, we also curate a new dataset designed to train and evaluate methods for constrained grasping. The new dataset, called CONG, consists of over 14 million training samples of synthetically rendered point clouds and grasps at random target areas on 2889 objects. VCGS is benchmarked against GraspNet, a state-of-the-art unconstrained grasp sampler, in simulation and on a real robot. The results demonstrate that VCGS achieves a 10-15% higher grasp success rate than the baseline while being 2-3 times as sample efficient.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google