文章目录
GraspNet-1Billion
CVPR2020
上海交大
论文和数据集地址：https://graspnet.net/
总体
主要解决训练数据不足和抓取姿态表示形式不同，没有统一的评估方法；仿真数据和真实场景数据存在gap
本文主要贡献是提出一个大规模数据集，一个统一的评价指标，一个端到端的物体抓取姿态预测方法
数据集
深度相机与机械臂固定连接，控制机械臂沿固定轨迹运动，只需要第一帧的6D位姿，后续的帧通过标定好的相机参数进行传递。
抓取姿态标注流程：
a. 抓取点采样
b. 抓取生成：视角、平面旋转和抓取深度采样
c. 通过物体的6D姿态投影场景中得到抓取姿态
d 碰撞检测
评价指标
Precision@k：前k个抓取的精度
网络
输入：点云
输出：抓取姿态(相对于相机坐标系)
pointnet++：
最远点采样算法， 点云分类
Approach Network:
输出能否抓取和预先定义的接近向量数量
Operation Network：
圆柱区域变换
旋转和宽度：分类比回归效果更好
Tolerance Network
grasp affinity fields：增加扰动还是有效的
摘要
物体抓取在许多应用中都是至关重要的，也是一个具有挑战性的计算机视觉问题。然而，对于复杂的场景，目前的研究存在训练数据不足和缺乏评估基准的问题。在这项工作中，我们提供了一个具有统一评估系统的大规模抓取姿势检测数据集。我们的数据集包含97280个RGB-D图像，超过10亿个抓取姿势。同时，我们的评估系统通过分析计算直接报告抓取是否成功，这能够评估任何种类的抓取姿势，而无需详尽地标记真值。 此外，本文还提出了一种基于点云输入的端到端抓取姿态预测网络，通过解耦的方式学习机器人的接近方向和操作参数，并设计了一种新的抓取亲和度场来提高抓取鲁棒性。实验结果表明，本文的数据集和评估系统能够很好地与真实世界的实验结果相吻合，网络的性能达到了最先进的水平。 我们的数据集、源代码和模型可在www.graspnet.net上公开获取。
