抓握力-AGeneralRoboticIncrementalPotential 接触模拟数据集用于统一可变形刚体耦合抓取-计算机科学-人工智能-机器人.pdfVIP

抓握力:AGeneralRoboticIncrementalPotential接触模拟数

据集用于统一可变形刚体耦合抓取

SiyuMa,WenxinDu,ChangYu,YingJiang,ZeshunZong,TianyiXie,YunuoChen,

YinYang,XuchenHan,ChenfanfuJiang

本

译

中

2

v0kPa500kPa

0

2

0

5Fig.1:抓握力是一个大规模通用抓取数据集，包含跨越多种场景的10万次高质量抓取。它包括软性UMI夹爪

0.（顶部）和刚性LEAPHands（底部），与刚性（左边）和软性（正确的）物体在单手和双手设置下进行交互。我

3们的数据集捕捉了各种形状、大小和材料的物体，以及通过高保真摩擦接触IPC模拟器捕获丰富的物体和夹爪

0

5变形及应力分布。

2

:

vAbstract—抓取是机器人操作的基础，近年来大规模抓取方面的研究。

i

x数据集的进步为鲁棒物体抓取的学习方法提供了重要的训练数

r据和评估基准，加速了其发展。然而，大多数现有数据集由于缺I.介绍

a

乏可扩展、鲁棒的模拟管道而排除了可变形体，限制了一般化

抓取对于机器人技术至关重要，是几乎所有操作

模型在柔性夹爪和软操作对象方面的发展。为了解决这些挑战，

我们提出了GRIP，一个用于通用抓取的一般机器人增量势接任务的基础。然而，为机器人训练获取可靠的抓取数据

触仿真数据集。GRIP利用了一个优化的增量势接触（IPC）面临诸多挑战，例如物体变化、遮挡以及对未见过的物

基础模拟器进行多环境数据生成，实现了高达48倍的速度提体进行泛化。大规模抓取数据集的出现，如GraspNet-

升，同时确保了对柔性夹爪和可变形物体的有效、无交集且无

1Billion[1]和DexGraspNet[2]，显著推动了该领域的

反转的模拟。我们的全自动管道在1,200个对象和100,000种

抓取姿态中生成并评估多样化的抓取交互，涵盖了软夹爪和刚研究进展，提供了丰富的数据以改进抓取预测，并促进

性夹爪。GRIP数据集支持诸如神经网络抓取生成和应力场预了工业自动化、家庭机器人和医疗保健等领域的应用。

测等应用。我们在https://bell0o.github.io/GRIP/发布了最近，软抓手的发展，如UMI抓手[3]和气泡抓

GRIP，以促进机器人操作、柔性夹爪控制以及物理驱动仿真

手[4]，进一步提升了抓握稳定性。由于其柔顺性，软

抓手特别适合抓取水果、食物和生物组织等易碎物体，

*equalcontribution.

siiyuma@,{wenxindu,changyu1,yingjiang,在这些情况下防止损坏至关重要。

zeshunzong,tianyixie77,yunuoch,cffjiang}@,AIVC尽管软抓手方面取得了近期进展，抓取数据集主

Laboratory,UCLA,USA.

要侧重于刚性抓手和操作对象，没有专门针对软抓手

xuchen.han@tri.global,ToyotaResearchInstitute,USA.

yin.yan