A Collision-Aware Cable Grasping Method in Cluttered Environment

要約

雑然とした環境で堅牢なケーブル把握を容易にするように設計されたケーブル把握畳み込みニューラル ネットワークを紹介します。
物理シミュレーションを利用して、ケーブルとロボット グリッパー間の潜在的な衝突を考慮に入れて、複雑なケーブル把握を模倣する広範なデータセットを生成します。
近似凸分解技術を使用して非凸ケーブル モデルを分析し、シミュレートされた把持試行に基づいて自律的にラベル付けされた把持品質を使用します。
CG-CNN は、このシミュレートされたデータセットを使用して改良され、ドメインのランダム化技術によって強化されます。
その後、トレーニングされたモデルが掴みの品質を予測し、実行のために最適な掴みポーズをロボット コントローラーに導きます。
把握の有効性は、合成設定と現実世界の両方の設定にわたって評価されます。
私たちのモデルの暗黙的な衝突感度を考慮すると、既知のケーブルでは 92.3%、未知のケーブルでは 88.4% という賞賛に値する成功率を達成し、現代の最先端のアプローチを上回りました。
補足資料は https://leizhang-public.github.io/cg-cnn/ でご覧いただけます。

要約(オリジナル)

We introduce a Cable Grasping-Convolutional Neural Network designed to facilitate robust cable grasping in cluttered environments. Utilizing physics simulations, we generate an extensive dataset that mimics the intricacies of cable grasping, factoring in potential collisions between cables and robotic grippers. We employ the Approximate Convex Decomposition technique to dissect the non-convex cable model, with grasp quality autonomously labeled based on simulated grasping attempts. The CG-CNN is refined using this simulated dataset and enhanced through domain randomization techniques. Subsequently, the trained model predicts grasp quality, guiding the optimal grasp pose to the robot controller for execution. Grasping efficacy is assessed across both synthetic and real-world settings. Given our model implicit collision sensitivity, we achieved commendable success rates of 92.3% for known cables and 88.4% for unknown cables, surpassing contemporary state-of-the-art approaches. Supplementary materials can be found at https://leizhang-public.github.io/cg-cnn/ .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google