This paper introduces a novel approach for the grasping and precise placement of various known rigid objects using multiple grippers within highly cluttered scenes. Using a single depth image of the scene, our method estimates multiple 6D object poses together with an object class, a pose distance for object pose estimation, and a pose distance from a target pose for object placement for each automatically obtained grasp pose with a single forward pass of a neural network. By incorporating model knowledge into the system, our approach has higher success rates for grasping than state-of-the-art model-free approaches. Furthermore, our method chooses grasps that result in significantly more precise object placements than prior model-based work.


翻译:本文引入了一种新颖的方法,在高度杂乱的场景中运用多重抓抓器来捕捉和精确定位各种已知的僵硬物体。 使用现场的单一深度图像,我们的方法估计了多个6D对象与一个物体类别一起构成,物体构成估计的距离,以及每个自动获得的抓住物体的定位目标与神经网络的单一前方传球之间的距离。 通过将模型知识纳入系统,我们的方法在捕捉上的成功率高于最先进的无模型方法。 此外,我们的方法选择了比以前基于模型的工作更精确得多的捕捉。

0
下载
关闭预览

相关内容

【经典书】模式识别导论,561页pdf
专知会员服务
81+阅读 · 2021年6月30日
【经典书】计算理论导论,482页pdf
专知会员服务
84+阅读 · 2021年4月10日
专知会员服务
41+阅读 · 2021年4月2日
【经典书】操作系统导论,687页pdf
专知会员服务
171+阅读 · 2020年10月28日
专知会员服务
43+阅读 · 2020年9月25日
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
计算机视觉领域顶会CVPR 2018 接受论文列表
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
Arxiv
9+阅读 · 2021年3月3日
Arxiv
12+阅读 · 2019年1月24日
Arxiv
7+阅读 · 2018年12月5日
Joint Monocular 3D Vehicle Detection and Tracking
Arxiv
8+阅读 · 2018年12月2日
VIP会员
Top
微信扫码咨询专知VIP会员