摘要
本文聚焦于6-DoF抓取检测中因尺度不平衡带来的特征学习问题，提出一种新方法，专门应对小尺度样本学习困难的挑战。为此，我们设计了一种多尺度圆柱分组（Multi-scale Cylinder Grouping, MsCG）模块，通过融合多尺度圆柱特征与全局上下文信息，增强局部几何表征能力。此外，本文还提出了尺度平衡学习（Scale Balanced Learning, SBL）损失函数与物体平衡采样（Object Balanced Sampling, OBS）策略：SBL通过引入先验权重放大低频尺度样本的梯度，而OBS借助辅助分割网络在训练过程中更多地采样小尺度物体的点云，分别有效缓解了训练与推理阶段抓取尺度分布不均带来的负面影响。为进一步提升模型泛化能力，本文引入噪声-干净混合（Noisy-clean Mix, NcM）数据增强方法，通过在实例级别上混合合成数据与真实场景数据，高效弥合合成数据与真实场景之间的域差距。在GraspNet-1Billion基准上的大量实验表明，该方法在小尺度抓取案例上取得了显著性能提升，整体性能达到先进水平。此外，真实世界抓取实验进一步验证了所提方法出色的泛化能力。相关代码已开源，地址为：https://github.com/mahaoxiang822/Scale-Balanced-Grasp。