human-to-robot handover记录

wangdx_robot

于 2020-04-19 11:42:11 发布

阅读量770

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器人-handover

本文链接：https://blog.csdn.net/qq_40081208/article/details/105612199

机器人-handover 专栏收录该内容

1 篇文章

订阅专栏

NVIDIA研究了一种基于点云的人类抓握分类方法，用于机器人从人类手中接收物体的场景。该方法通过PointNet++对人手抓握物体的姿势进行分类，并规划相应的抓取路径。测试结果显示，此方法在抓取方块类物体时成功率高，但对复杂形状物体的抓取效果不佳。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、Human Grasp Classification for Reactive Human-to-Robot Handovers
NVIDIA在2020年发布在arxiv(2003.06000)上的论文。
将人抓取物体的手的姿势分成七类，通过PointNet++来预测人手姿势的类别，每一种类别对应一种抓取姿态。通过点云识别到人手姿态的类别后，通过一个操作-状态对应表，进行抓取规划。为了训练手势分类网络，拍摄了151551张点云图像。
整个流程概括如下：检测手姿态->规划抓取路径->机械臂驱动末端执行器运动到待抓取位姿->抓取->放置到桌子上。
在这里插入图片描述
测试结果如下图：planning success rate表示上面流程中的“机械臂驱动末端执行器运动到待抓取位姿”;Grasp Success Rate表示“抓取”；Action 运行时间表示从“规划抓取路径”到放到桌子上；Total运行时间除了包括Action的时间还包括重新规划时间（人手可能运动）；Trial时间表示整个流程的时间。
在这里插入图片描述
缺点：
只测试了机器人从人手中抓取方块，形状复杂的物体没有实验。当物体形状改变时，流程中“规划抓取路径”几乎不起作用。机器人从手中抓取真的需要检测人手的姿态吗？

2、未完待续