OrbitGrasp: $SE(3)$-Equivariant Grasp Learning

虽然抓取检测是任何机器人操作流程中的重要组成部分，但在 $SE(3)$ 中可靠且准确的抓取检测仍然是一个研究难题。许多在非结构化环境中的机器人应用，例如家庭或仓库，都会从更好的抓取性能中受益。本文提出了一种基于点云输入的 $SE(3)$ 抓取姿态检测的新框架。我们的主要贡献是提出了一个 $SE(3)$-等变模型，该模型使用球谐函数将点云中的每个点映射到二维球面 $S^2$ 上的连续抓取质量函数。与对一组有限样本进行推理相比，该公式提高了模型的准确性和效率，特别是当需要大量样本时。为了实现这一点，我们提出了一种新颖的 EquiFormerV2 变体，利用 UNet 风格的主干网络来增加模型可以处理的点数。我们的最终方法名为 $\textit{OrbitGrasp}$，在模拟和物理实验中都显著优于基线。

论文旨在解决在无结构环境下，如家庭或仓库等场景中，可靠和准确的$SE(3)$抓取姿态检测问题。

论文提出了一种新的框架，基于点云输入，利用球谐基函数将点云中的每个点映射到2球面上的连续抓取质量函数，从而实现检测$SE(3)$抓取姿态的目的。

论文提出的方法名为OrbitGrasp，使用了UNet-style骨干网络来扩大模型处理点数的能力，相较于现有方法，该方法在精度和效率方面都有所提升。论文在仿真和物理实验中都有显著表现。论文使用的数据集和开源代码也值得关注。

在最近的研究中，也有一些相关的工作，如：Learning to Grasp 3D Objects using Deep Residual U-Nets等。