Graspness-Entdeckung in Unordnungen für schnelle und genaue Greifpunkt-Detektion

Effiziente und robuste Detektion von Greifpositionen ist entscheidend für die robotergestützte Manipulation. Bei der allgemeinen 6-DoF-Greifaktion behandeln herkömmliche Methoden alle Punkte einer Szene gleich und wählen in der Regel gleichmäßige Abtastung zur Auswahl von Greifkandidaten aus. Wir stellen jedoch fest, dass die Vernachlässigung der Frage, wo gegriffen werden sollte, die Geschwindigkeit und Genauigkeit bestehender Methoden zur Greifpositionsdetektion erheblich beeinträchtigt. In diesem Artikel stellen wir „Graspness“ vor – eine Qualität, die auf geometrischen Hinweisen basiert und greifbare Bereiche in stark verunreinigten Szenen unterscheidet. Zur Messung der Graspness wird ein vorausschauendes Suchverfahren vorgeschlagen, dessen statistische Ergebnisse die Plausibilität unseres Ansatzes untermauern. Um die Graspness in der Praxis schnell zu detektieren, entwickeln wir ein neuronales Netzwerk namens „Cascaded Graspness Model“, das den Suchprozess approximiert. Umfangreiche Experimente bestätigen die Stabilität, Allgemeingültigkeit und Effektivität unseres Graspness-Modells, sodass es als Plug-and-Play-Modul für verschiedene Methoden genutzt werden kann. Nach der Integration unseres Graspness-Modells zeigt eine Vielzahl vorheriger Methoden eine erhebliche Steigerung der Genauigkeit. Darüber hinaus entwickeln wir GSNet, ein end-to-end-Netzwerk, das unser Graspness-Modell zur frühen Filterung von geringwertigen Vorhersagen integriert. Experimente auf einer großen Benchmark, GraspNet-1Billion, zeigen, dass unsere Methode die bisherigen State-of-the-Art-Methoden deutlich übertrifft (30+ AP) und gleichzeitig eine hohe Inferenzgeschwindigkeit erreicht. Die Bibliothek von GSNet wurde in AnyGrasp integriert, die unter https://github.com/graspnet/anygrasp_sdk verfügbar ist.