近年来机器人主流抓取估计方法总结

本文同步于微信公众号：3D视觉前沿，欢迎大家关注。

根据抓取的表示，应用场合等可以将机器人抓取分为2D平面抓取和6-DoF空间抓取，各自又包含很多方法，下面一一介绍。

1 2D 平面抓取：

适合工业抓取，场景是机械臂竖直向下，从单个角度去抓，抓取通常由平面内的抓取四边形，以及平面内的旋转角度表示（Oriented 2D rectangle）：

根据使用的数据RGB/Depth不同，又可以分为以下三类：基于RGB，基于RGB+Depth，和基于Depth。

1.1 基于RGB的抓取估计

数据集包括：Cornell数据集（http://pr.cs.cornell.edu/grasping/rect_data/data.php）和Jacquard数据集https://jacquard.liris.cnrs.fr/，为 人工构建；

基于以上的数据集，出现了很多方法，代表作是2014-Deep Learing for Detecting Robotic Grasps，2014-Real-Time Grasp Detection Using Convolutional Neural Networks，2018-Real-world Multi-object, Multi-grasp Detection等，首先生成大量抓取框候选，再进一步优化得到最终抓取；

亚马逊论文2015-Supersizing Self-supervision: Learning to Grasp from 50K Tries and 700 Robot Hours使用机器自动采集训练集，训练了一个平面抓取估计算法，其数据集如下：