基于指尖工作空间云和接触感知采样的灵巧抓取数据增强技术

《Advanced Robotics》：Dexterous grasp data augmentation based on grasp synthesis with fingertip workspace cloud and contact-aware sampling

机械臂抓取是机器人应用的基础，数据驱动方法面临抓取数据生成效率低和通用性差的问题。本文提出基于远程操控的框架结合FSG生成少量抓取示范，利用AutoWS自动构建包含指尖结构信息的结构化工作区云，避免逆运动学计算，实验表明该方法在YCB物体抓取中速度和有效抓取率均显著优于现有方法，支持任意结构机械臂实时生成类人抓取。

　　

摘要

机器人抓取是机器人应用中一个基础且至关重要的组成部分，因为有效的抓取通常是执行各种任务的起点。随着神经网络的快速发展，基于数据驱动的机器人抓取方法已成为主流。然而，高效地生成用于训练的抓取数据集仍然是一个瓶颈。这一问题因机器人手部的多样性而变得更加复杂，使得设计通用化的抓取生成方法变得更加困难。在这项工作中，我们提出了一个基于远程操作的框架，用于收集少量的抓取姿态演示数据，并利用FSG（一种基于指尖接触的采样式抓取生成器）对这些数据进行处理。基于这些演示的抓取姿态，我们提出了AutoWS算法，该算法能够自动生成结构化的机器人指尖工作空间模型，并将手部结构信息直接嵌入到这些模型中，从而无需进行逆运动学计算。在对YCB物体的抓取实验中，我们的方法在速度和有效姿态生成率方面均显著优于现有方法。我们的框架使得具有任意结构的机器人手能够实现实时抓取，并且当与抓取演示数据结合使用时，能够生成类似人类的抓取动作，为基于数据驱动的抓取训练提供了一个高效且稳健的数据增强工具。