GraspNet-1Billion中graspnet结构_graspnet 对比

GraspNetStage1：

1. Pointnet2Backbone，

• 输入：N*3大小的点云数据

• 输出：具有C通道特征的点，并进行了一次M个点的子采样 M*(3+C)

2. ApproachNet

• 将可行逼近向量分为V个预定义视点。

• 输出:两个值来预测其是否可抓取的置信度。因此，我们的proposal生成网络的输出为M × (2 + V)，其中2表示可抓取或不可抓取的二进制类，V表示预定义的接近向量个数。

GraspNetStage2:

1. CloudCrop(64, 3, cylinder_radius, hmin, hmax_list)

• 在圆柱体区域中分组点

• 输入： seed_xyz: 种子点坐标

点云：要裁剪的点

vp_rot: 从接近向量生成的旋转矩阵

• 输出：不同深度分组点的特征

2. Cylinder Region Transformation

• 为每个抓握候选建立统一的表示形式

• 由于接近距离相对来说不那么敏感，我们把它分成K个箱子。距离dk

3. OperationNet

• 进一步预测平面内旋转、接近距离、抓爪宽度和抓爪置信度

self.conv1 = nn.Conv1d(256, 128, 1)

self.bn1 = nn.BatchNorm1d(128)

relu

self.conv2 = nn.Conv1d(128, 128, 1)

self.bn2 = nn.BatchNorm1d(128)

relu

self.conv3 = nn.Conv1d(128, 3*num_angle, 1)

• 输出是k*R*3(分成K个箱子，R个旋转度）

4. ToleranceNet

• 提出了一种被称为抓取亲和域(GAFs)的表示，以提高我们的抓取姿态预测的鲁棒性。由于可行的抓握姿势是无限的，人类倾向于选择能够容忍更大错误的抓握姿势.

• 输出是k*R*1(分成K个箱子，R个旋转度）