ZeroGrasp论文：机器人抓取的零样本形状重建
ZeroGrasp 论文
多视角重建计算大、配置复杂，本文将稀疏体素重建（快且效果好）引入机器人抓取且只考虑单目重建，通过利用基于物理的接触约束与碰撞检测（这对精确抓取至关重要），提升三维重建质量将直接改善抓取位姿预测。
表征
- 三维表征：
采用八叉树作为基础表征形式，在最深层级存储SDF、法向量、图像特征和抓取位姿，可表示为最深层体素中心点 p 与对应图像特征 f 构成的元组： x = ( p , f ) , p ∈ R ( N × 3 ) , f ∈ R ( N × D ) x=(p,f),\quad p\in R^{(N×3)}, f\in R^{(N×D)} x=(p,f),p∈R(N×3),f∈R(N×D) 其中 N 为体素数量。（相较于点云，八叉树结构支持高效的深度优先搜索与递归八分空间划分，较低内存与计算成本）。 - 抓取位姿表征：
与 GraspNet 一致的平行二指夹爪模型（6D 位姿参数）：表征抓取位置鲁棒性的视角抓取度评分 s ∈ R M s\in R^M s∈RM；基于力闭合算法计算的抓取质量 q ∈ R M q\in R^M q∈RM；视角方向 v ∈ R 3 M v\in R^{3M} v∈R3M ；夹爪角度 a ∈ R M a\in R^M a∈RM；开合宽度 w ∈ R M w\in R^M w∈RM；进深 d ∈ R M d\in R^M d∈RM。 g = ( s q v a w d ) g=\begin{pmatrix}s&q&v&a&w&d\end{pmatrix} g=(sqvawd) 其中 M 表示目标八叉树中抓取位姿总数，为每个点分配 5mm 半径内最近邻抓取位姿（若无则设抓取度为0）。由此得到八叉树的最终定义： y = ( p g t , f g t ) = ( p g t , [ ϕ , n , g ] ) y=(p^{gt},f^{gt})=(p^{gt},[\phi,n, g]) y=(pgt,fgt)=(pgt,[ϕ,
最低0.47元/天 解锁文章
扫一扫
1394
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
