[论文解读] A Billion Ways to Grasp: An Evaluation of Grasp Sampling Schemes on a Dense, Physics-based Grasp Data Set

Clemens Eppner, Arsalan Mousavian+1 more|arXiv (Cornell University)|Dec 11, 2019

Robot Manipulation and Learning被引用 15

一句话总结

本文利用涵盖21个YCB物体的、超过十亿个并行颚夹持的密集物理仿真数据集，对夹持采样策略进行了评估，该数据集以高分辨率在SE(3)空间中离散化。研究揭示了常见采样策略（尤其是对称与基于接近方向的策略）存在显著偏差，表明这些方法会遗漏关键的夹持构型，特别是在边缘和细小特征附近。研究建议采用更均匀或具备鲁棒覆盖感知的采样策略，以提升6-DOF夹持学习的泛化能力。

ABSTRACT

Robot grasping is often formulated as a learning problem. With the increasing speed and quality of physics simulations, generating large-scale grasping data sets that feed learning algorithms is becoming more and more popular. An often overlooked question is how to generate the grasps that make up these data sets. In this paper, we review, classify, and compare different grasp sampling strategies. Our evaluation is based on a fine-grained discretization of SE(3) and uses physics-based simulation to evaluate the quality and robustness of the corresponding parallel-jaw grasps. Specifically, we consider more than 1 billion grasps for each of the 21 objects from the YCB data set. This dense data set lets us evaluate existing sampling schemes w.r.t. their bias and efficiency. Our experiments show that some popular sampling schemes contain significant bias and do not cover all possible ways an object can be grasped.

研究动机与目标

• 量化用于合成夹持数据集生成的常见夹持采样策略的偏差与覆盖范围。
• 为21个YCB物体建立高分辨率、基于物理仿真的真实夹持数据集，作为评估采样策略的基准。
• 识别出在覆盖全部可能夹持空间方面表现最佳的采样启发式方法，同时兼顾效率与鲁棒性。
• 通过推荐能最小化偏差并最大化覆盖范围的采样策略，为未来6-DOF夹持学习的数据生成提供指导。

提出的方法

• 采用5毫米平移和7.5°旋转分辨率对SE(3)进行密集离散化，为每个物体生成超过十亿个夹持姿态。
• 在物理模拟器（FleX）中评估每个夹持姿态，根据稳定性和力闭合判断夹持成功。
• 所得数据集包含所有采样姿态的真实夹持质量标注，支持对采样偏差与覆盖范围的实证评估。
• 通过夹持覆盖范围、精确率和鲁棒性等指标比较不同采样策略，识别偏差与效率权衡。
• 基于扰动下的稳定性定义鲁棒夹持，对完整夹持集和鲁棒夹持子集分别评估覆盖范围。
• 通过将成功模拟的夹持结果迁移到真实机器人系统，验证了模拟的保真度。

实验结果

研究问题

• RQ1 不同夹持采样策略在覆盖给定物体全部可能夹持空间方面有何差异？
• RQ2 常用采样启发式方法（如对称或基于接近方向的采样）在多大程度上引入了系统性偏差？
• RQ3 哪种采样策略在保持合理采样效率的同时实现了最高夹持覆盖范围？
• RQ4 所采样夹持的精确率与其覆盖范围和鲁棒性之间有何相关性？
• RQ5 具有密集采样的物理仿真数据集能否作为真实世界夹持学习的可靠代理？

主要发现

• 对称(π/6)采样方案的精确率最高（0.49 ± 0.28），但表现出强烈偏差，遗漏高达30%的成功夹持，尤其在涉及边缘或细小特征的夹持中。
• 均匀采样展现出最广泛的覆盖范围，但效率最低，精确率仅为26%（±0.15），表明样本到成功结果的比率较差。
• 接近方向(0,π)采样在鲁棒夹持上的渐近覆盖范围最高，随着样本数量增加，优于其他方案。
• 对称(π/6)方案遗漏了关键夹持构型，如罐装肉罐头的边缘夹持和碗与剪刀的边缘导向夹持。
• 接近方向(0,π)方案在鲁棒夹持覆盖方面最有效，表明其更适合任务导向或安全关键的夹持任务。
• 本研究证实，基于仿真的夹持数据可成功迁移到真实机器人，验证了物理仿真的保真度。