Graspness Discovery in Clutters for Fast and Accurate Grasp Detection

高效和鲁棒的抓取姿态检测对于机器人操作至关重要。对于一般的6自由度抓取，传统方法将场景中的所有点等同对待，并通常采用均匀采样来选择抓取候选点。然而，我们发现忽略抓取位置会严重损害当前抓取姿态检测方法的速度和准确性。在本文中，我们提出了“抓取度”，这是一种基于几何线索的质量，用于区分杂乱场景中可抓取的区域。我们提出了一种前瞻搜索方法来测量抓取度，统计结果证明了我们方法的合理性。为了快速检测实践中的抓取度，我们开发了一个名为“级联抓取度模型”的神经网络来近似搜索过程。广泛的实验验证了我们抓取度模型的稳定性、普适性和有效性，使它可以作为不同方法的即插即用模块使用。在装备了我们的抓取度模型后，各种以前的方法的准确性都有了很大的提高。此外，我们开发了GSNet，一个端到端的网络，它将我们的抓取度模型用于低质量预测的早期过滤。在一个大规模的基准测试GraspNet-1Billion上的实验表明，我们的方法比以前的方法有很大的优势（30+ AP），并实现了高速推理。GSNet的库已经集成到AnyGrasp中，网址是https://github.com/graspnet/anygrasp_sdk。

论文旨在解决机器人操作中的抓取姿态检测问题，提出了一种基于几何线索的抓取区域质量评估方法，即graspness，并开发了一个神经网络模型进行实时检测。

论文的关键思路是使用graspness方法对抓取区域进行质量评估，以区分可抓取区域和不可抓取区域，然后将其与其他抓取方法结合使用，提高抓取姿态检测的准确性和速度。

论文提出的graspness方法在实验中表现出了稳定性、通用性和有效性，可作为不同方法的即插即用模块。论文还开发了一个端到端的网络模型GSNet，结合graspness方法进行早期过滤低质量预测。在大规模基准测试GraspNet-1Billion上，论文的方法表现出了比以前的方法更高的准确性（30+ AP）和推理速度。GSNet的库已经集成到AnyGrasp中。

最近的相关研究包括：1.基于深度学习的抓取姿态检测方法；2.使用物体几何形状信息进行抓取姿态检测的方法；3.使用基于力的方法进行抓取姿态检测的方法。