Schließen der Schleife für robotergestütztes Greifen: Ein Echtzeit-Verfahren zur generativen Greifstrategiensynthese

Diese Arbeit präsentiert eine Echtzeit- und objektunabhängige Methode zur Synthese von Greifbewegungen, die für geschlossene Regelkreisgreifoperationen eingesetzt werden kann. Unser vorgeschlagener Generativer Greif-Convolutional Neural Network (GG-CNN) prognostiziert an jedem Pixel die Greifqualität und -pose. Diese ein-zu-eins-Abbildung aus einem Tiefenbild überwindet die Einschränkungen aktueller tiefenlernenbasierter Greiftechniken, indem sie diskrete Stichproben von Greifkandidaten und lange Berechnungszeiten vermeidet. Zudem ist unser GG-CNN um Größenordnungen kleiner und erkennt stabile Greifbewegungen mit vergleichbarer Leistungsfähigkeit wie aktuelle State-of-the-Art-Verfahren. Die leichtgewichtige und einphasige generative Struktur unseres GG-CNN ermöglicht eine geschlossene Regelung mit bis zu 50 Hz, was präzises Greifen in nicht-statischen Umgebungen erlaubt, in denen Objekte sich bewegen und bei roboterbedingten Steuerungsungenauigkeiten. In unseren realen Experimenten erreichen wir eine Greiferfolgsrate von 83 % bei einer Reihe bisher nicht gesehener Objekte mit herausfordernder Geometrie und 88 % bei einer Sammlung von Haushaltsgegenständen, die während des Greifversuchs bewegt werden. Zudem erzielen wir eine Genauigkeit von 81 % beim Greifen in dynamischem Lärm.