ONE PIECE: One Patchwork In Effectively Combined Extraction for grasp

要約

把握ネットワーク アルゴリズムでは、多数の 3D オブジェクトの把握データセットを生成することが重要なタスクです。
ただし、何百ものオブジェクトの把握データセットを生成すると、非常に時間がかかり、大量のストレージ リソースが消費されるため、アルゴリズムの反復と昇格が妨げられます。
点群把握ネットワーク アルゴリズムの場合、ネットワーク入力は基本的に、グリッパー座標系でオブジェクトと交差する把握領域の内部点群です。
数百のオブジェクトに対して生成された把握データセット内のグリッパー座標系に基づく、完全に一貫したグリッパー領域の点群が多数存在するため、多くのオブジェクトから一貫したグリッパー領域の点群を削除して、それらを 1 つのオブジェクトに組み立てることができます。
単一のオブジェクトを使用して把握データセットを生成し、何百ものオブジェクトの把握データセットを生成する膨大な作業負荷を置き換えます。
多数の物体の反復特徴を有限集合にマッピングする新しいアプローチを提案します。この目的のために、シミュレータから物体と交差するグリッパー領域点群を抽出する方法を提案し、グリッパー特徴フィルターを設計します。
形状が繰り返されるグリッパー スペース領域のポイント クラウドを削除し、それらを 1 つのオブジェクトに組み立てます。
実験結果は、新しいオブジェクト把握データセットを生成するのに必要な時間が、数百のオブジェクトの把握データセットを生成するのに比べて大幅に短縮され、実際の機械把握実験でうまく機能することを示しています。
論文が採択された後、データとツールを公開します。

要約(オリジナル)

For grasp network algorithms, generating grasp datasets for a large number of 3D objects is a crucial task. However, generating grasp datasets for hundreds of objects can be very slow and consume a lot of storage resources, which hinders algorithm iteration and promotion. For point cloud grasp network algorithms, the network input is essentially the internal point cloud of the grasp area that intersects with the object in the gripper coordinate system. Due to the existence of a large number of completely consistent gripper area point clouds based on the gripper coordinate system in the grasp dataset generated for hundreds of objects, it is possible to remove the consistent gripper area point clouds from many objects and assemble them into a single object to generate the grasp dataset, thus replacing the enormous workload of generating grasp datasets for hundreds of objects. We propose a new approach to map the repetitive features of a large number of objects onto a finite set.To this end, we propose a method for extracting the gripper area point cloud that intersects with the object from the simulator and design a gripper feature filter to remove the shape-repeated gripper space area point clouds, and then assemble them into a single object. The experimental results show that the time required to generate the new object grasp dataset is greatly reduced compared to generating the grasp dataset for hundreds of objects, and it performs well in real machine grasping experiments. We will release the data and tools after the paper is accepted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google