GraspNet-1Billion
PulseAugur coverage of GraspNet-1Billion — every cluster mentioning GraspNet-1Billion across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型MMGNet增强了杂乱场景中的机器人抓取能力
研究人员开发了MMGNet，一种新颖的多模态抓取合成网络，旨在提高机器人再杂乱环境中的抓取能力。该网络通过采用分层图像到3D特征注入和旋转抓取度建模，解决了点云和RGB图像使用中的局限性。MMGNet在GraspNet-1Billion基准测试中表现出色，平均精度达到60.34%，并在实际实验中比AnyGrasp方法提高了8.46个百分点的抓取成功率。
-
新方法 GraRe 改进了机器人操作的抓取候选重排序
研究人员开发了 GraRe，一种用于对现有 6-DoF 抓取检测器生成的抓取候选进行重排序的新颖方法。对 GraspNet-1Billion 的分析表明，检测器置信度通常与实际抓取质量不匹配，导致排序不佳。GraRe 通过根据候选属性、局部几何和对象上下文估计抓取质量来解决此问题，并使用 Transformer 架构融合这些特征。在 GraspNet-1Billion 上的实验证明了平均 AP 的显著提高，而真实机器人测试证实了在复杂…
-
新框架通过跨视图融合提高机器人抓取精度
研究人员开发了一种新颖的跨视图融合框架，旨在提高6-DoF抓取姿态估计的准确性和鲁棒性，尤其是在具有挑战性的角落视图场景中。该系统包含一个辅助视图以减轻遮挡，并采用自监督对比学习策略来增强点云特征一致性。该方法通过一个专门的圆柱集成模块整合抓取相关的几何信息，旨在克服传统多视图重建的局限性，并在GraspNet-1Billion基准测试和实际应用中展示了强大的性能。