Sim-Grasp: Learning 6-DOF Grasp Policies for Cluttered Environments Using a Synthetic Benchmark

本文介绍了Sim-Grasp，这是一个强大的六自由度双指抓取系统，它集成了先进的语言模型，以增强在杂乱环境中的物体操作。我们介绍了Sim-Grasp数据集，其中包括1550个物体，涵盖500个场景，具有790万个注释标签，并开发了Sim-GraspNet来从点云生成抓取姿态。Sim-Grasp策略实现了97.14％的单个物体抓取成功率，以及对于混杂物体场景的1-2级和3-4级物体，分别达到87.43％和83.33％的抓取成功率。通过结合文本和框提示的语言模型进行目标识别，Sim-Grasp实现了物体无关和目标拾取，推动了智能机器人系统的界限。

Sim-Grasp论文旨在提出一种可在杂乱环境中进行物体抓取的机器人系统，解决了物体抓取中的一些挑战。

Sim-Grasp将高级语言模型与点云数据结合使用，通过生成抓取姿态来实现物体抓取。

论文提出了Sim-Grasp系统，并开发了Sim-GraspNet和Sim-Grasp-Polices，使用Sim-Grasp-Dataset进行实验验证。实验结果表明，Sim-Grasp系统在单个物体和混合杂乱物体的场景中都取得了很高的抓取成功率。此外，Sim-Grasp还实现了目标检测和抓取的语言模型，可以实现物体无关和目标抓取。

近期的相关研究包括：《GraspNet: Learning to Grasp Objects with Self-Supervised Learning》、《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》等。