Efficient Heatmap-Guided 6-Dof Grasp Detection in Cluttered Scenes

本文介绍了在杂乱环境中快速且稳健地抓取物体对于机器人技术的重要性。目前大多数研究将整个点云用于六自由度抓取生成，忽略了从全局语义中挖掘的指导信息，从而限制了高质量抓取生成和实时性能。本文表明，广泛使用的热图在六自由度抓取生成的效率上被低估。因此，我们提出了一种有效的局部抓取生成器，结合抓取热图作为指导，以全局-局部语义-点的方式进行推断。具体地，应用高斯编码和基于网格的策略来预测抓取热图作为指导，将局部点聚合到可抓取区域并提供全局语义信息。此外，设计了一种新颖的非均匀锚定采样机制，以提高抓取精度和多样性。由于在图像空间中高效编码并专注于局部可抓取区域中的点，我们的框架可以实时执行高质量的抓取检测，并实现最先进的结果。此外，真实机器人实验证明了我们方法的有效性，成功率为94%，杂乱完成率为100%。我们的代码可在https://github.com/THU-VCLab/HGGD上获得。

本论文旨在解决机器人在复杂环境中进行快速而稳定的物体抓取的问题，提出了一种基于全局语义引导的本地抓取生成方法。

论文提出了一种有效的本地抓取生成器，结合抓取热图作为引导，通过全局到本地的语义到点的方式进行推理。具体而言，采用高斯编码和基于网格的策略来预测抓取热图，以引导将局部点聚合到可抓取区域并提供全局语义信息。此外，设计了一种新的非均匀锚点采样机制来提高抓取精度和多样性。

论文的实验结果表明，该方法在实时性和高质量抓取检测方面均具有优势，并取得了最先进的结果。此外，真实机器人实验证明了该方法的有效性，成功率达到94％，杂乱度达到100％。该论文的代码已经在Github上开源。

在这个领域中，最近的相关研究包括：1）《GraspNet: A Cloud-Based Grasp Planning and Execution System for Industrial Bin-Picking》；2）《Multi-View Grasp Dataset for Object Recognition》；3）《PointNetGPD: Detecting Grasp Configurations from Point Sets》等。