作者：Tom Hardy
Date：2020-2-23
來源：大盤點|基於RGB圖像下的機器人抓取
前言
近期讀取了一些最新基於RGB圖像下的機器人抓取論文，在這裏分享下思路。
1、Optimizing Correlated Graspability Score and Grasp Regression for Better Grasp Prediction
本文提出了一種新的深度卷積網絡結構，該結構通過引入新的丟失量，利用抓取質量評價來改進抓取回歸。除此之外發布了Jacquard+，它是Jacquard數據集的一個擴展，允許在一個可變裝飾上放置多個對象的模擬場景中評估抓取檢測模型。Jacquard+通過物理模擬創建的，允許在完全可複製的條件下進行測試。實驗結果表明，所提出的抓取檢測方法無論在Jacquard數據集還是Jacquard+上都明顯優於現有的抓取檢測方法；
網絡結構：
實驗結果：
2、Real-time Grasp Pose Estimation for Novel Objects in Densely Cluttered Environment
現有抓取方式主要爲從物體的質心抓取以及沿物體的長軸抓取，但是這類方式對複雜形狀物體常常失敗。本文提出了一種用於機器人拾取和定位的新目標實時抓取姿態估計策略。該方法在點雲中估計目標輪廓，並在圖像平面上預測抓取姿態和目標骨架。被測試對象主要有球形容器，網球，甚至複雜形狀的對象，如鼓風機（非凸形）。結果表明，該策略對複雜形狀物體的抓取效果良好，並與上述策略進行了比較，預測出了有效的抓取配置。實驗驗證了該抓取技術在兩種情況下的有效性，即物體被清晰地放置和物體被放置在密集的雜波中。抓取準確率分別爲88.16%和77.03%。所有的實驗都是用一個真實的UR10機械手和WSG-50雙指抓取器進行的。
3、GRIP: Generative Robust Inference and Perception for Semantic Robot Manipulation in Adversarial Environments
本文提出了一種兩階段的生成性魯棒推理與感知（GRIP）方法，以探索在生成對抗環境中進行物體識別和姿態估計。生成魯棒推理與感知（GRIP）作爲一個兩階段的目標檢測與姿態估計系統，目的是結合CNN的可區分相對優勢和生成推理方法來實現魯棒估計。在GRIP中，將推理的第一階段表示爲基於CNN的識別分佈。CNN識別分佈用於第二階段的生成性多假設優化，這種優化是作爲一個靜態過程的粒子濾波器來實現的。本文證明，GRIP方法在不同光照和擁擠遮擋的對抗場景下，相對於最先進的姿態估計系統PoseCNN和DOPE，達到了SOTA。使用密歇根進度抓取機器人演示了抓取和目標定向順序操作在對象拾取和放置任務中的兼容性。
4、Domain Independent Unsupervised Learning to grasp the Novel Objects
本文提出了一種基於無監督學習的可行抓取區域選擇算法，監督學習在沒有任何外部標籤的情況下推斷數據集中的模式。論文在圖像平面上應用k-均值聚類來識別抓取區域，然後用軸指派方法。除此之外，定義了一個新的抓取決定指數（GDI）概念來選擇圖像平面上的最佳抓取姿勢，並在雜亂或孤立的環境中對Amazon Robotics Challenge 2017 和Amazon Picking Challenge 2016的標準物體進行了多次實驗。論文還將結果與基於先驗學習的方法進行比較，以驗證提出的算法對於不同領域中的各種新對象的魯棒性和自適應性。
5、Multi-View Picking: Next-best-view Reaching for Improved Grasping in Clutter（代碼開源）
攝像機視點選擇是視覺抓取檢測的一個重要方面，特別是在雜波中存在許多遮擋的情況下。現有方法使用靜態相機位置或固定數據收集例程，本文的多視圖拾取（MVP）控制器通過使用主動感知方法直接基於實時抓取姿勢估計的分佈來選擇信息視點，從而減少雜波和遮擋造成的抓取姿勢的不確定性。在從雜波中抓取20個目標的實驗中，MVP控制器獲得了80%的抓取成功率，比單視點抓取檢測器的性能提高了12%。論文還證明了提出的方法比考慮多個固定視點的方法更準確和高效。
6、ROI-based Robotic Grasp Detection for Object Overlapping Scene
本文提出了一種基於感興趣區域（ROI）的機器人抓取檢測算法ROI-GD。ROI-GD使用ROI中的特徵來檢測抓取，而不是整個場景。它分爲兩個階段：第一階段是在輸入圖像中提供ROI，第二階段是基於ROI特徵的抓取檢測器。通過標註視覺操作關係數據集，論文還構建了一個比康奈爾抓取數據集大得多的multi-object抓取數據集。實驗結果表明，ROI-GD算法在對象重疊場景中有較好的表現，同時與康奈爾抓取數據集和Jacquard Dataset上的最新抓取檢測算法具有可比性。機器人實驗表明，ROI-GD可以幫助機器人在單目標場景和多目標場景中抓取目標，總體成功率分別爲92.5%和83.8%。
