TARGO: Benchmarking Target-driven Object Grasping under Occlusions

最近，从单个深度图像预测6D抓取姿势的进展在机器人抓取方面表现出有希望的性能。然而，以前的抓取模型在杂乱的环境中面临挑战，因为附近的物体会影响目标物体的抓取。在本文中，我们首先建立了一个新的基准数据集，用于遮挡下的目标驱动抓取，命名为TARGO。我们做出了以下贡献：1）我们是第一个研究抓取遮挡水平的人。2）我们建立了一个评估基准，包括大规模合成数据和部分真实数据，评估了五个抓取模型，并发现即使当前的SOTA模型在遮挡水平增加时也会受到影响，这使得遮挡下的抓取仍然是一个挑战。3）我们还通过可扩展的流水线生成了一个大规模的训练数据集，可以用于提高遮挡下的抓取性能并推广到真实世界。4）我们进一步提出了一种基于Transformer的抓取模型，包括一个形状完成模块，称为TARGO-Net，随着遮挡的增加，它的表现最为稳健。我们的基准数据集可以在https://TARGO-benchmark.github.io/找到。

论文旨在解决机器人在有遮挡物的环境下的抓取问题，建立了一个新的基准数据集，并提出了一个新的基于Transformer和形状补全模块的抓取模型。

论文提出了一个新的基于Transformer和形状补全模块的抓取模型，可以提高在有遮挡物的环境下的抓取准确率。

论文建立了一个新的基准数据集TARGO，用于评估机器人在有遮挡物的环境下的抓取准确率。论文还提出了一个可扩展的数据生成流程，用于生成大规模的训练数据。实验结果表明，当前最先进的抓取模型在有遮挡物的情况下准确率下降，而论文提出的TARGO-Net模型在有遮挡物的情况下表现最好。论文提供了数据集和代码。

在机器人抓取领域，最近的相关研究包括：Learning to Grasp with Hemispherical Grasp Representations Using Weakly-Supervised Depth Completion，Grasp Proposal Networks: An End-to-End Solution for Visual Learning of Robotic Grasps，Dex-Net AR: Learning to Grasp with All Modalities，Grasping in Clutter: An Overview，等等。