41、基于Transformer的透明物体抓取特征金字塔网络

基于Transformer的透明物体抓取特征金字塔网络

在机器人抓取领域，透明物体的抓取一直是一个具有挑战性的任务，因为透明物体的外观会受到背景的影响而呈现出多样性。为了解决这个问题，研究人员提出了一种基于Transformer的特征金字塔网络（TTG-Net），并构建了一个用于透明物体抓取的合成数据集。

相关工作

• 机器人抓取 ：基于学习的方法在机器人抓取领域已被证明是有效的。不同的研究采用了不同的网络架构来回归抓取姿态，例如：
  • Pinto等人使用类似AlexNet的骨干网络级联全连接层来回归抓取姿态。
  • Kumra等人使用ResNet - 50作为骨干网络，然后使用浅层全连接网络直接回归感兴趣物体的抓取配置。
  • Guo等人引入了一种结合视觉和触觉传感的混合深度架构用于机器人抓取检测。
  • Morrison等人提出GG - CNN来预测每个像素的抓取质量和姿态。
  • Zhou等人使用基于检测的方法，从预定义的定向矩形（称为定向锚框）回归抓取矩形，并将矩形分类为可抓取和不可抓取。
  • Cao等人使用深度图像作为输入，通过具有多尺度空间金字塔模块的残差挤压 - 激励网络生成抓取姿态。
  • Ainetter等人提出了一个端到端的网络，用于联合抓取检测和密集的像素级语义分割，并引入了一个新颖的抓取细化模块来提高整体抓取精度。
• 透明数据集 ：目前存在多个用于透明物体处理的数据集，但都存在一些局