Refining 6-DoF Grasps with Context-Specific Classifiers

要約

この研究では、コンテキスト固有の把握を生成するための改良アプローチである GraspFlow を紹介します。
我々は、把握合成の問題をサンプリング問題として定式化します。つまり、成功した把握のコンテキスト条件付き確率分布からサンプリングを試みます。
ただし、このターゲット分布は不明です。
解決策として、望ましいターゲット分布からのサンプリングを模倣する方法で、より単純な分布から得られる把握を進化させる弁別器グラジエントフロー法を考案します。
既存のアプローチとは異なり、GraspFlow はモジュール式であるため、関連する識別子を組み込むだけで複数の基準を満たす把握を取得できます。
また、実装も簡単で、既存の自動微分ライブラリと適切な識別子を考慮すると、必要なコードは最小限です。
実験では、GraspFlow が現実世界のパンダ ロボット上でさまざまなオブジェクトに対して安定した実行可能な把握を生成することが示されています。
特に、20 種類の異なる家庭用品について 60 回の試行を行ったところ、最初の掴みは 94% の確率で成功し、2 回目の掴みでは 100% の掴みが成功しました。
さらに、ロボットと人間の受け渡しに機能識別器を組み込むことで、掴みの機能的側面が最大 33% 向上しました。

要約(オリジナル)

In this work, we present GraspFlow, a refinement approach for generating context-specific grasps. We formulate the problem of grasp synthesis as a sampling problem: we seek to sample from a context-conditioned probability distribution of successful grasps. However, this target distribution is unknown. As a solution, we devise a discriminator gradient-flow method to evolve grasps obtained from a simpler distribution in a manner that mimics sampling from the desired target distribution. Unlike existing approaches, GraspFlow is modular, allowing grasps that satisfy multiple criteria to be obtained simply by incorporating the relevant discriminators. It is also simple to implement, requiring minimal code given existing auto-differentiation libraries and suitable discriminators. Experiments show that GraspFlow generates stable and executable grasps on a real-world Panda robot for a diverse range of objects. In particular, in 60 trials on 20 different household objects, the first attempted grasp was successful 94% of the time, and 100% grasp success was achieved by the second grasp. Moreover, incorporating a functional discriminator for robot-human handover improved the functional aspect of the grasp by up to 33%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google