Efficient End-to-End Detection of 6-DoF Grasps for Robotic Bin Picking

抓取技术是许多机器人系统在物流、生产或家庭使用中的重要组成部分。近年来，用于预测不同和未知物体的6自由度抓取的机器学习方法已经取得了有希望的进展。然而，现有方法在训练期间仅考虑一个抓取位置的单个真实抓取方向，因此只能预测有限的抓取方向，从而导致在受限制的可达性的垃圾桶拾取中可行抓取数量减少。在本文中，我们提出了一种新的方法，用于学习机器人垃圾桶拾取中并联夹爪的密集和多样化的6自由度抓取。我们介绍了一个基于功率球形分布的参数化抓取分布模型，使其能够基于所有可能的真实样本进行训练。因此，我们还考虑了抓取不确定性，增强了模型对噪声输入的鲁棒性。因此，给定一个单一的自上而下的深度图像，我们的模型可以生成具有多个无碰撞抓取方向的多样化抓取。在模拟和实际机器人垃圾桶拾取设置中的实验评估表明，该模型能够跨越各种物体类别进行泛化，实现了约90％的物体清除率。我们还超过了现有技术的方法。此外，由于概率抓取分布建模，所提出的方法在实际机器人实验中展示了其可用性，甚至在仅使用合成数据集进行训练时也不需要任何细化步骤。

解决问题：论文旨在解决机器人抓取中存在的限制性问题，即现有方法只考虑了单一的抓取方向，无法生成多样化的抓取方向，从而导致机器人无法实现对多种物品的抓取。

关键思路：论文提出了一种基于Power-Spherical分布的参数化抓取分布模型，可以对所有可能的抓取样本进行训练，考虑抓取的不确定性，从而生成多样化的抓取方案。

亮点：论文在模型训练中考虑了抓取的不确定性，提高了模型的鲁棒性，实验结果表明该模型可以在多种物品上实现90%的抓取成功率，且优于现有方法。同时，该模型在真实机器人实验中也表现出了良好的鲁棒性，且不需要任何的后续优化。

相关研究：最近的研究主要集中在机器人抓取的多样化和鲁棒性方面，例如Learning to Pick and Place Using Deep Object Detection and Reinforcement Learning、Dex-Net 4.0: Learning Robust Grasping with Graph Neural Networks and Physics Simulation等。