Gravity-aware Grasp Generation with Implicit Grasp Mode Selection for Underactuated Hands

要約

学習ベースの把握検出器は通常、各指の接触点が 1 つだけである精密な把握を想定し、把握確率を推定します。
この研究では、包絡型構成により多くの接触点を持ち、位置決め誤差と力の外乱の両方に対して堅牢な、電力把握を活用できるデータ生成および学習パイプラインを提案します。
精密な把握を二次的な選択肢として維持しながら、力による把握を優先するように把握検出器をトレーニングするには、二値分類ではなく、把握が抵抗できる重力方向の外乱の大きさ (重力拒否スコア) に対してネットワークをトレーニングすることを提案します。
成功。
また、重力拒否スコア アノテーションを備えたデータセット用の効率的なデータ生成パイプラインも提供します。
徹底的なアブレーション研究に加えて、シミュレーションと実際のロボットの両方での定量的評価により、特に物体が重い場合のアプローチの大幅な改善が明らかになりました。

要約(オリジナル)

Learning-based grasp detectors typically assume a precision grasp, where each finger only has one contact point, and estimate the grasp probability. In this work, we propose a data generation and learning pipeline that can leverage power grasping, which has more contact points with an enveloping configuration and is robust against both positioning error and force disturbance. To train a grasp detector to prioritize power grasping while still keeping precision grasping as the secondary choice, we propose to train the network against the magnitude of disturbance in the gravity direction a grasp can resist (gravity-rejection score) rather than the binary classification of success. We also provide an efficient data generation pipeline for a dataset with gravity-rejection score annotation. In addition to thorough ablation studies, quantitative evaluation in both simulation and real-robot clarifies the significant improvement in our approach, especially when the objects are heavy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google