DiPGrasp: Parallel Local Searching for Efficient Differentiable Grasp Planning

要約

把握計画はロボット操作にとって重要なタスクです。
これは十分に研究されている分野ですが、異なる自由度のロボット グリッパーと連携できる、スタンドアロンで高速かつ微分可能な把握プランナーは報告されていません。
この研究では、これらすべての目標を満たす把握プランナーである DiPGrasp を紹介します。
DiPGrasp は、把握品質メトリックに一致する力閉鎖幾何学的表面を取得します。
メトリックに対して勾配ベースの最適化スキームを採用しており、並列サンプリングと衝突処理も考慮されています。
これにより、物体表面上の把握検索プロセスが大幅に高速化されるだけでなく、微分可能になります。
DiPGrasp を 3 つのアプリケーション、つまり把握データセット構築、マスク条件付きプランニング、ポーズ調整に適用します。
データセット生成に関しては、スタンドアロン プランナーとしての DiPGrasp は、いくつかの従来のプランナーと比較して、速度と品質に関して明らかな利点があります。
マスク条件付き計画の場合、3D 知覚モデルを 3D 把握検出モデルに瞬時に変換できます。
ポーズ リファイナーとして、ニューラル ネットワークからの大まかな把握予測とニューラル ネットワーク パラメーターを最適化できます。
最後に、バレット ハンドとシュンク SVH 5 フィンガー ハンドを使用して実際の実験を行います。
ビデオと補足資料は、当社の Web サイト \url{https://dipgrasp.robotflow.ai} でご覧いただけます。

要約(オリジナル)

Grasp planning is an important task for robotic manipulation. Though it is a richly studied area, a standalone, fast, and differentiable grasp planner that can work with robot grippers of different DOFs has not been reported. In this work, we present DiPGrasp, a grasp planner that satisfies all these goals. DiPGrasp takes a force-closure geometric surface matching grasp quality metric. It adopts a gradient-based optimization scheme on the metric, which also considers parallel sampling and collision handling. This not only drastically accelerates the grasp search process over the object surface but also makes it differentiable. We apply DiPGrasp to three applications, namely grasp dataset construction, mask-conditioned planning, and pose refinement. For dataset generation, as a standalone planner, DiPGrasp has clear advantages over speed and quality compared with several classic planners. For mask-conditioned planning, it can turn a 3D perception model into a 3D grasp detection model instantly. As a pose refiner, it can optimize the coarse grasp prediction from the neural network, as well as the neural network parameters. Finally, we conduct real-world experiments with the Barrett hand and Schunk SVH 5-finger hand. Video and supplementary materials can be viewed on our website: \url{https://dipgrasp.robotflow.ai}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google