| 查看: 33 | 回复: 0 | |||
[交流]
机器人抓取，学会 “不赌猜测”
|
|
BlueRobots上海蓝色萝卜自动化科技有限公司是一家专注于机器人领域的技术型企业，致力于为客户提供高性能硬件和人工智能算法的全套机器人相关软硬件解决方案。公司核心团队成员来自哈尔滨工业大学、上海交通大学等知名院校，以及ABB、Universal Robots等国际机器人公司，拥有十余年的研发制造经验。 BlueRobots在ABB协作机器人应用领域深耕，提供包括机器人系统集成、机器视觉、灵巧手、六维力传感器等在内的成套解决方案。公司通过先进的控制技术和核心技术驱动，专注于协作机器人的应用开发与市场推广，帮助客户实现工业自动化和智能化转型。 通过BlueRobots平台，您可以轻松购买各种机器人相关产品，省心省事省力。我们专注于为用户提供专业、便捷且经济实惠的机器人系统及定制服务，帮助您实现更多可能。 Kinova Gen3是科研圈非常普及的7自由度轻型协作机械臂，凭借902mm工作半径、全关节扭矩传感、原生支持ROS/MoveIt!、末端可快速搭载深度相机与Robotiq 2F‑85两指夹爪，成为家庭场景物体抓取、具身智能算法验证的标杆硬件平台。 但很多使用Gen3做抓取开发的开发者都会遇到同一个痛点：单视角拍摄桌面物体，物体背面被遮挡，深度相机拿不到完整三维信息。 相机只能采集朝向自己一侧的点云数据，物体背光、被遮挡的部分完全空白。如果直接拿残缺的局部点云下发给Kinova Gen3做抓取规划，很容易出现夹爪碰撞物体、夹空、运动规划无解；如果采用形状补全AI网络，由模型“脑补”被遮挡部分的几何，又会带来新风险：AI的重建结果不一定等于真实物体。算法自信输出一个抓取姿态，Kinova Gen3严格按照轨迹执行，到现场才发现模型脑补的外形和实物不一致，直接抓取失败。 硬件性能再好，也弥补不上视觉感知环节的预判偏差。葡萄牙、意大利的研究团队，就以Kinova Gen3 +Robotiq 2F‑85 + Intel RealSense D430这套标准科研配置作为完整测试平台，针对3DSGrasp形状补全抓取管线做了一次关键升级，全部实验数据都来自机械臂真机执行，而非仿真模拟。论文《Measuring Uncertainty in Shape Completion to Improve Grasp Quality》，解决的就是“机械臂盲目信任AI脑补形状”的现实工程难题。 Kinova Gen3拥有7个自由度，关节支持无限旋转，在桌面场景下能够实现非常丰富的夹爪姿态，理论上可以实现侧面、斜向等多种非俯视抓取，适配大量家居杂物的拾取任务。论文的实验配置完全复刻科研人员日常开发环境：机械臂固定在桌边，夹爪末端挂载RealSense D430深度相机，物体随机摆放在桌面任意位置，机器人每次都从同一个斜向初始位姿启动拍摄，模拟现实家庭环境里机器人的观测视角，不是理想的俯视视角。 原始3DSGrasp方案工作流程是：相机拍摄得到局部点云，网络补全物体被遮挡的完整外形，输出完整点云，送入GPD/PointNetGPD生成候选抓取位姿，把排名靠前的抓取位姿下发给Kinova Gen3，由MoveIt!完成运动规划，控制Robotiq 2F‑85夹爪完成拾取，抬举保持一段时间才算抓取成功。 这套流程已经比直接用局部点云抓取效果更好，但存在致命逻辑漏洞：3DSGrasp输出的完整点云，分不清哪些是相机真实观测、哪些是AI预测生成。物体远离相机的背面，属于完全遮挡区域，模型的猜测成分最高，重建误差最大；但抓取算法会一视同仁，如果最优抓取点刚好落在猜测区域，就会输出一个几何上看起来没问题，但现实会失败的抓取姿态。 此时Kinova Gen3机械臂硬件本身没有任何故障：运动规划可以解算出轨迹，关节执行到位，夹爪正常闭合。失败根源来自上层视觉算法对预测结果过度自信。 研究团队的改进思路很清晰：不更换Kinova硬件，不推翻3DSGrasp网络主体，也不改写GPD抓取检测算法；只新增不确定性评估模块，量化每一个三维点的预测置信度，把风险纳入抓取打分，压低高猜测区域抓取姿态的优先级，让Kinova Gen3优先去执行建立在可靠观测数据之上的抓取。 蒙特卡洛Dropout，给每一个三维点标注置信水平 团队采用蒙特卡洛Dropout实现形状补全网络的不确定性估计。推理阶段不关闭Dropout层，同一帧来自RealSense的局部点云，网络重复运行60次前向推理。 多次推理输出点位置取平均值，作为最终补全物体点云；多次预测之间的标准差代表不确定性。论文真机实验中点云标准差处于2‑6mm区间：蓝色代表低不确定性（相机直接观测的物体正面），红黄色代表高不确定性（AI脑补的遮挡背面）。 得到逐点不确定性之后，算法对GPD/PointNetGPD输出的15个候选抓取姿态做后处理修正： 对每一个候选夹爪位姿，计算Robotiq 2F‑85夹爪闭合时的接触包围盒，裁剪夹爪覆盖范围内的点云与对应不确定性； 抓取分数修正公式：$\boldsymbol{S'=S-W_{u}\sum\sigma_{u}}$，原始抓取分数减去夹爪覆盖区域不确定性加权和。GPD权重$W_u=105$；PointNetGPD权重$W_u=0.1$； 使用修正后的分数重排序抓取，取Top‑5下发给Kinova Gen3执行。 如果抓取位姿落在AI高度猜测的背面，扣分变多，排名下沉；如果抓取接触区域集中在相机可见的物体侧面，扣分很小，保留高排名。 这个改进恰好解决Kinova Gen3真机上的一类高频问题：原版3DSGrasp经常输出几何可行，但机械臂很难抵达的远端抓取姿态，大多分布在物体背对机器人一侧；高不确定性区域会被自动扣分降权，算法更多推荐朝向机械臂一侧的抓取，间接提升运动规划成功率，减少MoveIt!规划失败。 Kinova Gen3真机实测，全部数据来自论文Table‑I 整套测试硬件固定为Kinova Gen3七自由度臂 + Robotiq 2F‑85两指夹爪 + Intel RealSense D430深度相机，运动规划统一使用MoveIt!，所有对比基线硬件环境完全一致，排除硬件差异干扰。 测试集合选用YCB数据集10种常见家居物体，每件物体10次试验，每次试验依次执行Top‑5抓取姿态；每种方法500次抓取尝试，全部实验合计3000次真机抓取，所有成功率均为机械臂真实执行统计，不是仿真数据。 GPD（只用局部点云）：35% GPD + 3DSGrasp：51% GPD +3DSGrasp+不确定性（本文方案）：58% PointNetGPD（只用局部点云）：18% PointNetGPD +3DSGrasp：32% PointNetGPD +3DSGrasp+不确定性（本文方案）：49% 对比原版3DSGrasp基线，GPD后端提升7个百分点；PointNetGPD后端提升17个百分点。 论文同时记录，Mustard、Jell‑o两件物体，改进方案没有实现性能提升，作者归因于不确定性权重的调参平衡问题。整套管线耗时：形状补全+不确定性估计约4秒，分数修正额外消耗2秒，对于Kinova Gen3桌面抓取任务时延可以接受。 消融对比也和其他不确定性形状补全方案横向对照，rank‑1抓取指标同样具备竞争力。 硬件层面Kinova Gen3本身没有改动，全部增益来自感知‑决策层的算法优化。这也给所有使用Gen3做抓取开发的团队一个启示：机械臂硬件运动精度再高，也不能无条件信任AI三维重建输出。仿真中表现完美的抓取算法，部署到真机上经常跳水，很大一部分原因，就是没有考虑模型预测的不确定性。 Kinova Gen3在全球高校与实验室被大量用于具身智能、物体抓取研究，很多开发者习惯在仿真调优算法，再直接迁移真机。仿真环境里面物体几何100%准确，不存在“脑补出错”，算法效果很漂亮；但真机环境，深度相机噪声、遮挡、物体未知外形全部真实存在。 本次研究给出一套低成本落地范式：不需要大改网络，不需要更换Kinova整套硬件，在现有3DSGrasp管线基础上，通过蒙特卡洛采样拿到重建不确定性，作为惩罚项修正抓取排序，就可以带来真机上实实在在的成功率提升。 当然方案依旧存在局限：60次前向推理带来不小计算开销，未来可以研究单次前向输出不确定性，进一步降低延时，适配高速抓取场景；当前不确定性只是抓取结果的后过滤，未来可以直接嵌入抓取生成网络；本次实验局限桌面两指夹爪，还可以拓展到杂乱堆叠、灵巧手任务。 Kinova Gen3机械臂可以完成流畅、精准的运动轨迹，但“判断哪里值得抓”这件事，要交给视觉算法。 基于Gen3真机验证的研究告诉我们一个朴素道理：机器人抓取的成败，从来不是只看机械臂硬件参数。AI给出的物体形状预测，不仅要看结果，更要看预测的置信度。机械臂不应该无脑执行AI的每一个猜测，学会规避高风险抓取，才是从仿真走向真实物理世界的关键一步。 |
回复此楼» 猜你喜欢
经验分享】涉水/水下实验频频翻车？扒一扒高精度防水转台的硬核密封逻辑
已经有0人回复
-
求助硅钨酸cif文件
已经有0人回复
-
金属材料论文润色/翻译怎么收费?
已经有232人回复
-
东南大学能源与环境学院-林日琛教授课题组-27级博士招生
已经有108人回复
-
东南大学能源与环境学院-林日琛教授课题组-27级博士招生
已经有103人回复
-
东南大学能源与环境学院-林日琛教授课题组-27级博士招生
已经有103人回复
-
基金高中！
已经有694人回复
-
哈尔滨工程大学动力学院赵建辉团队招收2027级博士研究生
已经有5人回复
-
生物质转化方向博士招生
已经有0人回复
-
【交流】请教一个非标打磨设备旋转平台的选型问题
已经有0人回复
-
探究金属切削过程中的粘附机理
已经有0人回复
