Lightweight Language-driven Grasp Detection using Conditional Consistency Model

本文介绍了一种新的语言驱动抓取检测方法，该方法利用轻量级扩散模型的概念实现快速推理。通过将扩散过程与自然语言中的抓取提示集成在一起，我们的方法可以有效地编码视觉和文本信息，从而实现更准确和多样化的抓取定位，与文本查询相匹配。为了解决扩散模型中长时间推理的问题，我们利用图像和文本特征作为一致性模型中的条件，在推理过程中减少去噪时间步数。大量的实验结果表明，我们的方法在抓取检测方面的表现明显优于其他最近的抓取检测方法和轻量级扩散模型。我们进一步在真实世界的机器人实验中验证了我们的方法，证明了它的快速推理能力。

本论文旨在解决语言驱动的抓取检测问题，通过整合轻量级扩散模型和自然语言抓取提示，以实现更准确、更灵活的抓取定位，同时降低推理时间。

本文提出了一种新的语言驱动抓取检测方法，将扩散过程与自然语言抓取提示相结合，通过图像和文本特征来减少去噪时间步骤，从而实现快速推理。

本文的实验结果表明，该方法明显优于其他最新的抓取检测方法和轻量级扩散模型。作者还在实际机器人实验中验证了该方法的快速推理能力。值得注意的是，本文提供了数据集和开源代码。

近年来，关于抓取检测的研究越来越多。例如：《Learning to Grasp with Hemispherical Grasp Proposals》、《Grasp Proposal Networks: An End-to-End Solution for Visual Learning of Robotic Grasps》等。