要約
オブジェクトの把持は、多くの応用において極めて重要であり、同時にコンピュータビジョンにおける難問でもある。しかしながら、混雑したシーンにおいて、現在の研究は訓練データの不足および評価ベンチマークの欠如という問題に直面している。本研究では、大規模な把持姿勢検出データセットと統一された評価システムを提供する。当該データセットには、97,280枚のRGB-D画像が含まれており、その中に10億を超える把持姿勢が収録されている。同時に、我々の評価システムは、解析的計算により把持が成功したかどうかを直接報告することができる。この方式により、すべての種類の把持姿勢を、事前にすべての真値（ground-truth）をラベル付けすることなく評価することが可能となる。さらに、点群入力に対してエンドツーエンドで把持姿勢を予測するネットワークを提案し、アプローチ方向および操作パラメータを分離して学習するアプローチを採用している。また、把持のロバスト性を向上させるため、新しい「把持アフィニティフィールド（grasp affinity field）」を設計した。広範な実験を通じて、本研究で提案するデータセットおよび評価システムが現実世界の実験と良好に整合すること、および提案するネットワークが最先端の性能を達成することを示した。本データセット、ソースコード、モデルは、すべてwww.graspnet.netにて公開されている。