Rethinking 6-Dof Grasp Detection: A Flexible Framework for High-Quality Grasping

机器人抓取是完成复杂任务的原始技能，也是智能的基础。在一般的六自由度抓取中，大多数先前的方法直接提取场景级别的语义或几何信息，而很少考虑到它们在各种下游应用中的适用性，如目标导向抓取。为解决这个问题，我们从抓取中心的角度重新思考了六自由度抓取检测，并提出了一种通用的抓取框架，能够处理场景级别和目标导向抓取。我们的框架FlexLoG由一个灵活的引导模块和一个局部抓取模型组成。具体来说，灵活的引导模块与全局（例如抓取热图）和局部（例如视觉定位）引导都兼容，能够在各种任务中生成高质量的抓取。局部抓取模型专注于物体无关的区域点，并在局部和专注的情况下预测抓取。实验结果表明，我们的框架在GraspNet-1Billion数据集的未见分裂上实现了超过18%和23%的改进。此外，在三个不同的实际机器人测试环境中，成功率达到了95%。

本论文试图解决6自由度机器人抓取任务中的场景级和目标导向抓取的问题。

论文提出了一个灵活的抓取框架FlexLoG，由灵活的引导模块和本地抓取模型组成，能够同时处理场景级和目标导向抓取。

论文实验结果表明，FlexLoG在GraspNet-1Billion数据集的未见过的数据上实现了18%和23%的改进。在三种不同的实际机器人测试中，成功率达到了95%。

最近的相关研究包括： 1. GraspNet: A Large-Scale Benchmark for Object Grasping in Clutter from RGB-D Data 2. Deep Learning for Grasp Detection: A Survey