PointNetGPD: Detecting Grasp Configurations from Point Sets

1.解决的问题

提出了一个端到端的抓取评估模型，能够从3D点云中输出机器人抓取配置。
和基于手工设计深度特征和CNN的抓取评估方法相比，提出的PointNetGPD模型具有轻量化、能直接处理定位了夹持器配置的3D点云的特点。即使点云非常稀疏，也能很好地捕捉接触区域的几何结构。

先前工作大多依赖2D输入或2.5D输入，很少考虑3D几何信息。

论文的主要贡献：

1. 直接对3D点云进行集合分析评估抓取质量，和以前的基于CNN的方法相比，文章所提方法能更好地利用深度图像的三维信息，不需要手工设计的特征，即使点云稀疏也能够work，在感知不精确和不充分的情况下有规划抓取的潜力。
2. 建立了一个抓取数据集，包含力闭合和GWS分析的抓取质量分数。

2.相关工作

1. 抓取配置检测：model-based, model-free
2. 抓取质量指标：力闭合和GWS分析（Grasp Wrench Space analysis）
3. 三维视觉与机器人抓取：挑战问题是处理感知的不确定性，DNN，Andy的6DOF抓取依赖多视角深度图、CAD模型；3D-CNN计算复杂度高；GPD需要复杂的手工设计的特征，而且当输入点云比较稀疏时，GPD容易过拟合。

2.方法

物体状态 $s_o=(W_o,M_o,\gamma )$
抓取配置 $g=(p,r)\in {\mathbb{R}}^6$
变换后的点云包含N个点 P∈R3×NP\in{\mathbb{R}^{3 \times N}}