초록
로봇 그립은 복잡한 작업을 수행하는 데 있어 기본적인 기술이며 지능의 핵심 요소이다. 일반적인 6-DOF 그립 탐지에 있어서, 기존 대부분의 방법들은 장면 수준의 의미적 또는 기하학적 정보를 직접 추출하는 방식을 채택하고 있으나, 타깃 중심 그립과 같은 다양한 후속 응용에 적합한 설계를 고려하는 경우는 드물다. 이러한 문제를 해결하기 위해, 우리는 그립 중심의 관점에서 6-DOF 그립 탐지 문제를 재검토하고, 장면 수준 그립과 타깃 중심 그립 모두를 처리할 수 있는 유연한 그립 프레임워크를 제안한다. 제안하는 프레임워크인 FlexLoG는 유연한 가이던스 모듈(Flexible Guidance Module)과 로컬 그립 모델(Local Grasp Model)로 구성된다. 특히, 유연한 가이던스 모듈은 전역적(예: 그립 히트맵) 및 국소적(예: 시각적 기초화) 가이던스 모두와 호환되며, 다양한 작업 환경에서 고품질의 그립을 생성할 수 있도록 한다. 반면, 로컬 그립 모델은 객체에 의존하지 않는 지역적 점들을 중심으로 집중적으로 그립을 예측한다. 실험 결과, 본 프레임워크는 GraspNet-1Billion 데이터셋의 미리 보지 않은 분할에서 각각 18% 이상 및 23% 이상의 성능 향상을 달성하였다. 또한, 세 가지 다른 실제 환경에서의 로봇 테스트를 통해 95%의 성공률을 기록하였다.