DefGraspSim贡献了一个管道和数据集，其中(A)对于可变形对象上的任何一组候选抓取，(B)可以用FEM模拟对象的响应，(C)测量性能度量(例如，应力、变形、不稳定性、变形可控性)，以及(D)测量可定制的拾取前抓取特征。该团队的模拟数据集包含34个对象、6800个抓取评估和1.1 M的独特测量。功劳:黄等在过去的几十年里，机器人学家和计算机科学家开发出了能够抓取和操纵周围各种物体的机器人。这些机器人中的大多数主要被训练来抓住刚性物体或具有特定形状的物体。然而，现实世界中的大多数物体，包括衣服、塑料瓶或食物，都是可变形的，这本质上意味着当有人操纵它们时，它们可以很容易地改变形状。训练机器人掌握刚性和可变形的三维物体是机器人应用于各种现实应用的关键一步，包括食品加工、机器人手术或家庭辅助。
尽管在过去的几年里，允许机器人抓取刚性物体的技术已经变得越来越先进，但是抓取这些物体的策略并不总是很好地转移到可变形物体上。例如，虽然柔软的玩具可以随意抓握，但不符合使用者手的刚性物体可能需要更稳定和更精确的抓握。类似地，虽然一个坚硬的食物容器可以被有力而果断地抓住，但如果它是柔性的，机器人将需要更加小心，以避免压碎容器和容器内的食物。
英伟达的研究人员最近开发了DefGraspSim，这是一个平台，可用于评估使用机械手或机械手抓取可变形物体的策略。这一有价值的平台发表在arXiv上的一篇论文中，有助于提高设计用于在现实环境中操纵物体的机器人的性能。
开展这项研究的研究人员伊莎贝拉·黄(Isabella Huang)、雅什拉杰·纳朗(Yashraj Narang)、克莱门斯·埃普纳(Clemens Eppner)、巴拉库马尔·孙达拉林甘(Balakumar Sundaralingam)、迈尔斯·马克林(Miles Macklin)、塔克·赫尔曼斯(Tucker Hermans)和迪特·福克斯(Dieter Fox)通过电子邮件告诉TechXplore，“为可变形物体创建抓握策略在历史上一直很困难。“直到最近几年，才开发出快速准确的机器人模拟器来解决这个问题。我们利用了一个这样的模拟器，艾萨克健身房，来创建DefGraspSim，这是一个管道，允许研究人员自动评估他们对自己定制对象的选择。”
该平台由黄和她的同事开发，允许研究人员进行定制的抓取实验，评估机器人在与特定领域相关的操作任务中的性能，例如家庭、医疗保健或农业环境。DefGraspSim可能是一个非常有价值的机器人研究平台，因为它评估机器人的许多任务对于在现实世界中测试的机器人来说都是具有挑战性或不安全的(例如，那些与外科手术或制造相关的任务)。
除了使用该平台评估抓取策略或抓取规划者，研究人员还可以使用它生成包含抓取策略的数据集。然后，这些数据集可用于训练深度学习算法或其他计算方法，以识别有效的抓取策略。
黄和她的同事说:“我们的工作受到了无数令人兴奋的挑战的激励，这些挑战来自于理解如何抓住可变形物体。“与过去30多年来一直受到关注的刚性物体领域相比，可变形物体的研究严重缺乏探索。”
在他们的论文中，黄和她的同事专注于两个主要的研究问题。首先，研究人员希望确定研究人员如何测量和评估可变形物体抓取的性能。其次，他们想设计一种工具，让机器人专家和计算机科学家能够以可靠的方式测量和分析这些指标。
研究人员解释说:“在刚性物体抓取的文献中，一套通用的性能指标(即量化抓取好坏的度量标准)在各部作品中大多是统一的。“在一定的把握下，有两个主要的衡量标准值得关注:一个物体是否可以被拾取(把握成功)，以及那个物体之后是否能抵抗扰动(把握稳定)。虽然抓取成功和稳定性也适用于可变形物体，但我们还提出了额外的度量标准来唯一捕获可变形物体的响应。”
黄和她的同事提出的捕捉可变形物体响应的额外指标包括变形、应力、应变能和变形可控性。变形本质上量化了当物体被抓住时它的形状是如何变化的。应力是机器人抓取物体时施加在物体上的应力的总和，最终导致变形。值得注意的是，超过材料极限的应力测量可能导致物体永久变形、损坏或断裂。
另一方面，应变能是总结物体被抓住时储存在物体中的弹性势能的量度。最后，变形可控性是指在抓取器重新定向后，基于重力，物体可以承受多少额外的变形。
研究人员的模拟实验和真实世界的实验之间有很好的一致性，如在真实和模拟豆腐块上的3种不同抓握(顶部2行)和真实和模拟乳胶管上的3种不同抓握(底部2行)的例子所示。信用:黄等有趣的是，研究人员考虑的四个额外指标可以相互竞争。这意味着，例如，根据物体的成分、形状和结构，高稳定性的抓握可能导致一个物体的低变形和另一个物体的高变形。
“这些指标是全面的，因此从业者可以选择评估什么对他们来说最重要，”黄和她的同事说。“例如，在抓一块豆腐时，人们可能希望选择一个低压力的抓具，以确保它不会破裂。然而，如果想使用番茄酱瓶，可以选择高变形抓地力，这样番茄酱可以更快地被挤出。另一方面，低变形的抓地力最好放在一盒饼干上，这样里面的东西就不会被压碎。”
在他们开始进行研究后不久，黄和她的同事意识到，不同的研究人员和机器人专家可能会根据他们正在测试的机器人或他们计划进行的评估来区分不同指标的优先级。因此，他们试图设计一个平台，允许用户根据他们感兴趣的独特领域来分析指标。
到目前为止，这组研究人员概述的大多数指标在现实环境中极难获得，尤其是应力和变形等场量。因此，该团队使用基于有限元方法的模拟器(艾萨克健身房)作为地面真相的最佳代理，在这种情况下，人们可以完全访问对象的物理状态，并且所有指标都可以轻松测量。
“不同于经典的基于刚体模型的模拟器(例如，GraspIt！和OpenGRASP)，艾萨克健身房明确模型变形和应力动态和大的运动学和动力学扰动，”黄和她的同事说。“为了使其他研究人员能够评估自己对象的性能指标，我们使用艾萨克健身房构建了DefGraspSim，这是第一个可变形抓取工具和数据库。”
DefGraspSim是一个全面的自动抓取评估管道，研究人员可以使用它来自动评估任意机器人抓取的任何性能指标，重点是他们自己定制的可变形对象。黄和她的同事们希望，他们的平台将很快成为在仿真中训练机器人抓取和操纵可变形物体的计算模型的首选实验环境。
用户只需输入他们选择的对象的三维网格(一种特定的几何模型)，以及抓取该对象的策略。基于他们试图实现的目标，他们可以在四个不同的grasp评估中进行选择，每个评估都测量总性能指标的一个子集。此外，用户可以选择定制他们希望评估的指标，或者设计和测量额外的预拾取量，团队称之为“抓取特性”。"
“DefGraspSim是第一个公开发布的用于抓取可变形物体的管道，”黄和她的同事说。“除了创建这个工具之外，我们还发布了一个针对34个物体抓取的完整度量评估的实时数据集，其中大部分是根据真实可变形物体的扫描进行建模的。我们还包括在几个物体原件上抓取结果的详细可视化，以便读者清楚地了解可以从管道中提取哪些量，并可以建立关于可变形物体在抓取下如何响应的物理直觉。”
黄和她的同事在真实环境中进行了一系列实验，旨在验证艾萨克健身房和DefGraspSim p ipeline的准确性。他们的发现非常有希望，因为他们认为在他们的模拟平台上获得的结果与现实生活中获得的结果相似。
该研究人员的论文获得了2021年机器人科学与系统(RSS)机器人学中可变形物体模拟研讨会的最佳论文奖。此外，其他研究小组已经开始使用DefGraspSim管道来评估他们的可变形物体抓取技术。
黄和她的同事说:“我们相信DefGraspSim是一个非常实用、通用的工具，可以定制来收集研究人员想要的任何指标或额外数据。“我们认为，有许多有影响力的方法可以为未来的工作奠定坚实的基础。”
未来，DefGraspSim可以对机器人物体抓取工具进行更严格和可靠的评估，并对它们在模拟和现实中的性能进行比较。该平台还可以扩展到包括基于视觉的测量，例如RGB-D图像中的测量，或者构建抓取规划器，该规划器可以基于对象属性和选定的度量生成最佳抓取策略。
研究人员写道:“目前，我们正在利用DefGraspSim生成大规模的抓取实验数据，用于深度网络的训练。“我们正在使用DefGraspSim来测量和生成高维特征，这些特征将用于深度学习框架，以便对看不见的物体进行快速度量预测。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
