PreAfford: Universal Affordance-Based Pre-Grasping for Diverse Objects and Environments

机器人使用双指夹持器夹取难以抓握的物体具有重大挑战，因为这些物体缺乏可抓握的特征。传统的预抓取技术依赖于重新定位物体和利用桌子边缘等外部辅助工具，缺乏跨物体类别和场景的适应性。为了解决这个问题，我们介绍了PreAfford，这是一个新颖的预抓取规划框架，利用点级可行性表示和中继训练方法，增强了在广泛的环境和物体类型（包括以前未见过的物体）中的适应性。在ShapeNet-v2数据集上展示了PreAfford，它将抓取成功率显著提高了69％，并通过实际实验验证了其实用性。这项工作为操作难以抓握的物体提供了一个强大而适应性强的解决方案。

解决问题：论文提出了一个名为PreAfford的新的预抓取规划框架，旨在解决机器人抓取难以抓取物体的问题。

关键思路：PreAfford利用点级可供性表示和中继训练方法，提高了对不同环境和物体类型的适应性，实现了对难以抓取物体的抓取成功率提高69%。

其他亮点：PreAfford在ShapeNet-v2数据集上进行了演示，通过实验验证了其可行性。该研究提供了一个强大而灵活的解决方案，可用于操作难以抓取的物体。

相关研究：在这个领域中，还有一些相关的研究，如《Robotic Grasping of Novel Objects using Vision》、《Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics》等。