摘要
高效且鲁棒的抓取姿态检测对于机器人操作至关重要。在通用的6自由度抓取任务中，传统方法通常对场景中的所有点一视同仁，并采用均匀采样来选取抓取候选点。然而，我们发现，忽视“何处抓取”这一关键信息会显著影响当前抓取姿态检测方法的速度与准确性。为此，本文提出“抓取度”（graspness）这一基于几何线索的质量度量，用于在杂乱场景中区分可抓取区域。我们进一步设计了一种前瞻式搜索方法来计算抓取度，其统计结果验证了该方法的合理性。为在实际应用中快速检测抓取度，我们构建了一种名为级联抓取度模型（cascaded graspness model）的神经网络，用以近似该搜索过程。大量实验验证了所提抓取度模型在稳定性、通用性与有效性方面的优异表现，使其可作为即插即用模块集成到多种现有方法中。在引入我们的抓取度模型后，多种已有方法的精度均获得显著提升。此外，我们进一步提出了GSNet——一种端到端网络架构，将抓取度模型嵌入其中，实现对低质量预测结果的早期过滤。在大规模基准数据集GraspNet-1Billion上的实验表明，本方法在性能上大幅超越先前最优方法（AP提升超过30点），同时保持了极高的推理速度。GSNet的代码库已集成至AnyGrasp平台，项目地址为：https://github.com/graspnet/anygrasp_sdk。