[论文解读] Team Delft's Robot Winner of the Amazon Picking Challenge 2016
Team Delft 的机器人通过结合七自由度工业机械臂、具备真空吸附与夹持功能的定制夹爪，以及基于 ROS 的软件系统（集成深度学习用于物体识别、位姿估计和运动规划），在 2016 年亚马逊抓取挑战赛中胜出。该系统凭借速度、鲁棒性以及在杂乱仓库物品上的可靠抓取规划，在抓取与收纳任务中均取得最高分。
This paper describes Team Delft's robot, which won the Amazon Picking Challenge 2016, including both the Picking and the Stowing competitions. The goal of the challenge is to automate pick and place operations in unstructured environments, specifically the shelves in an Amazon warehouse. Team Delft's robot is based on an industrial robot arm, 3D cameras and a customized gripper. The robot's software uses ROS to integrate off-the-shelf components and modules developed specifically for the competition, implementing Deep Learning and other AI techniques for object recognition and pose estimation, grasp planning and motion planning. This paper describes the main components in the system, and discusses its performance and results at the Amazon Picking Challenge 2016 finals.
研究动机与目标
- 开发一种能够在非结构化仓库环境中实现自主抓取与收纳的鲁棒、高速机器人系统。
- 解决在包含多种、易变形及反光物品的杂乱真实场景中，物体识别、抓取规划与运动规划的挑战。
- 证明将现成组件与定制 AI 模块集成，可实现工业自动化的可行性。
- 验证一种具备高性能、高可靠性且可快速部署的工业级机器人解决方案。
提出的方法
- 系统采用安装在水平导轨上的七自由度 SIA20F Motoman 机械臂，实现八自由度运动，确保可完全访问整个料箱。
- 定制的 40cm 长夹爪配备可旋转 90° 的真空吸盘与夹持机构，可在任意姿态下抓取全部 39 种比赛物品。
- 3D 相机提供实时深度数据用于感知，ROS 则集成感知、规划与控制模块。
- 采用深度学习模型实现物体识别与位姿估计，同时使用自定义算法进行抓取与运动规划。
- 系统采用纯规划方法避免碰撞，但该策略在杂乱料箱中频繁导致规划被拒绝。
- 运动规划采用预计算的轨迹进行收纳，利用重力简化插入动作。
实验结果
研究问题
- RQ1如何使机器人系统在仓库环境中实现高速、可靠的多样化非结构化物品抓取与收纳？
- RQ2现成组件与基于 ROS 的软件集成在多大程度上可实现真实工业挑战中的鲁棒性能？
- RQ3在存在遮挡与反光物体的杂乱料箱中，基于纯规划的操纵方法存在哪些局限性？
- RQ4基于深度学习的感知与抓取规划能否显著提升复杂真实机器人任务的性能？
- RQ5在高要求的机器人竞赛（如亚马逊抓取挑战赛）中，哪些设计原则——速度、鲁棒性与夹爪多功能性——是取得成功的关键？
主要发现
- Team Delft 的机器人在抓取与收纳任务中均获得最高分，赢得比赛。
- 系统在抓取任务中获得 185/185 分，在收纳任务中获得 246/246 分，表明在给定任务上表现近乎完美。
- 物体识别模块在不同光照条件下表现稳健，但位姿估计受反光影响显著，导致点云稀疏。
- 运动规划是主要瓶颈，大量规划因碰撞被拒绝，尤其在杂乱料箱中更为明显。
- 机器人在处理重型与大型物品（特别是哑铃）时表现困难，主要因对高精度要求及夹爪柔性不足。
- 团队结论认为，夹爪需具备力反馈与顺应性才能实现可靠操作，且多夹爪系统在处理多样化物体集合时可能优于单夹爪设计。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。