摘要
本文提出了一种实时、与物体无关的抓取合成方法，适用于闭环抓取控制。我们提出的生成式抓取卷积神经网络（Generative Grasping Convolutional Neural Network, GG-CNN）能够在深度图像的每一个像素点上直接预测抓取的质量与位姿。该方法通过建立深度图像到抓取姿态的一一映射，克服了当前深度学习抓取技术中存在的局限性，避免了抓取候选样本的离散采样以及长时间的计算开销。此外，我们的GG-CNN模型体积仅为现有先进方法的数个数量级，却在稳定抓取性能上达到了相当甚至更优的水平。GG-CNN具有轻量化与单次前向传播的生成特性，支持高达50Hz的闭环控制频率，从而能够在物体运动或机器人控制存在误差的非静态环境中实现高精度抓取。在真实场景测试中，我们在一组具有挑战性几何形状的未知物体上实现了83%的抓取成功率；在抓取过程中物体位置发生移动的家庭常用物品测试中，成功率达到了88%；同时，在动态杂乱环境下的抓取任务中，准确率也达到了81%。