[论文解读] Using Geometry to Detect Grasps in 3D Point Clouds

Andreas ten Pas, Robert W. Platt|arXiv (Cornell University)|Jan 13, 2015

Image Processing and 3D Reconstruction参考文献 27被引用 45

一句话总结

本文提出一种基于几何的3D点云抓取点检测方法，通过无碰撞采样和对称抓取几何结构，自动生成大规模自动标注的训练数据。该方法在孤立物体上实现88%的抓取成功率，在密集杂乱环境中实现73%的抓取成功率，表明仅依赖几何约束即可实现优异性能，而无需复杂感知或人工标注数据。

ABSTRACT

This paper proposes a new approach to detecting grasp points on novel objects presented in clutter. The input to our algorithm is a point cloud and the geometric parameters of the robot hand. The output is a set of hand configurations that are expected to be good grasps. Our key idea is to use knowledge of the geometry of a good grasp to improve detection. First, we use a geometrically necessary condition to sample a large set of high quality grasp hypotheses. We were surprised to find that using simple geometric conditions for detection can result in a relatively high grasp success rate. Second, we use the notion of an antipodal grasp (a standard characterization of a good two fingered grasp) to help us classify these grasp hypotheses. In particular, we generate a large automatically labeled training set that gives us high classification accuracy. Overall, our method achieves an average grasp success rate of 88% when grasping novels objects presented in isolation and an average success rate of 73% when grasping novel objects presented in dense clutter. This system is available as a ROS package at http://wiki.ros.org/agile_grasp.

研究动机与目标

• 通过利用良好抓取的几何约束，提升对新物体在杂乱环境中的3D点云抓取检测性能。
• 通过利用对称抓取条件自动标注抓取假设，减少对人工标注数据的依赖。
• 在密集杂乱等挑战性场景中实现高抓取成功率，此类场景中遮挡和环境障碍物会干扰感知。
• 开发一种可实际部署的ROS集成系统，仅通过几何推理和基于合成标签的机器学习，实现真实机器人抓取。

提出的方法

• 该算法采样满足几何必要条件的抓取假设：机械臂必须无碰撞，且物体表面必须位于手指之间。
• 利用对称抓取条件——即指尖在相反方向接触物体——作为自动标注点云中大量抓取假设的标准。
• 在自动标注的数据上训练支持向量机（SVM）分类器，以区分有效抓取与无效抓取。
• 通过处理双视角配准的点云，提升在遮挡或非理想观测条件下的检测精度。
• 该系统以ROS包形式实现，可与Baxter等机器人平台集成，支持实时抓取。
• 该方法避免了针对特定物体的特征学习或人工示范，而是依赖几何先验和自监督数据生成。

实验结果

研究问题

• RQ1 仅依靠简单的几何约束是否足以在不依赖物体特定特征或人工标注的情况下，实现3D抓取检测的高成功率？
• RQ2 对称抓取条件作为自监督标注机制，在真实点云中训练抓取检测器时有多高效？
• RQ3 基于几何的抓取检测系统在密集杂乱环境中表现如何，此类环境存在显著的遮挡和干扰？
• RQ4 在非理想传感条件下，使用多视角在多大程度上提升了抓取检测的鲁棒性？
• RQ5 仅基于几何采样和机器学习的系统是否能超越需要大量人工标注训练数据的方法？

主要发现

• 仅使用基于几何的采样方法，在孤立新物体上即可实现73%的抓取成功率，证明了简单几何约束的有效性。
• 当与在自动标注的对称抓取假设上训练的SVM分类器结合时，孤立物体上的抓取成功率提升至87.8%。
• 在密集杂乱场景中，系统仍保持73%的抓取成功率，考虑到严重的遮挡和环境干扰，这一表现尤为突出。
• 在杂乱场景中，感知错误导致了9%的失败，表明感知仍是复杂环境中主要瓶颈。
• 与单视角相比，双视角将难以观测物体的抓取成功率从66.7%提升至83.3%，表明多视角融合显著提升了鲁棒性。
• 该系统在无需人工标注数据的情况下实现高性能，仅依赖通过对称抓取条件实现的自动标注，从而支持大规模训练。