新方法从图像直接规划6自由度轨迹，无需3D重建
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载绕开势场法的老毛病
在杂乱环境中抵达一个六自由度抓取位姿，需要一条无碰撞的路径。常规做法是先把场景重建成三维模型，再在这个重建结果里做规划，代价是重建精度和算力开销。直接从图像学习势场可以摆脱这一依赖，却会继承人工势场的固有缺陷：当吸引梯度与排斥梯度相互抵消时，下降方向会贴着障碍物擦过而不是绕开，也可能在到达目标之前停滞。这项工作的做法是用带位姿的 RGB 图像训练一个 SE(3) 神经势场，并以导航函数作为监督信号——该导航函数是训练期间从同一批图像中恢复出的、穿过自由空间到抓取位姿的测地距离。作者称这一监督方式同时消除了上述两类失败。
两个桌面场景的实测
实验在两个桌面场景中进行，起点被障碍物阻挡，执行平台为 UR10。结果显示，该势场从每一个起点出发都能收敛到抓取位姿 3 cm 以内，且其执行的每条路径相对于真值几何都是无碰撞的；作为对照，仅使用图像监督时，两个场景对应的比例分别为 25% 和 0%。平均间隙从不足一厘米提升到 8.6-8.8 cm，机械臂连杆接触在执行构型中的占比从 20.6-50.4% 降到 2.7-5.5%。两个场景的实际抓取成功率分别为 90.0% 和 40.0%，剩余失败来自笛卡尔执行器的拒绝，而非势场本身。
与重建后规划的耗时对比
规划耗时约 2 s，而在同样图像的重建结果上运行 RRT* 需要 67-133 s。作者同时指出，若放在共同的离线测试框架下，两者其实相当；部署中出现的差距来自对稠密重建做碰撞检测的开销，而不是规划器本身的复杂度。这意味着该方法的优势更多体现在省去显式三维重建这一环节，而非算法层面的根本性提速。
适用范围与读者关注点
方法面向的是从图像直接生成六自由度轨迹的抓取任务，输入为带位姿的 RGB 图像，监督信号依赖训练阶段从图像中恢复的测地距离。材料给出的验证限于两个桌面场景与 UR10 平台，成功率在其中一个场景为 40.0%，说明执行环节仍可能成为瓶颈。对关注机器人抓取与轨迹规划的读者而言，这项工作的可参考之处在于：用导航函数监督神经势场，可以在不重建三维场景的前提下获得无碰撞路径，并把部署时的耗时主要归结为重建碰撞检测的成本。
为什么值得看
绕过显式3D重建直接从图像规划6自由度轨迹，大幅提升无碰撞率与速度，对机器人视觉引导抓取极具实用价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。