dex-net reading

说明文档：
https://berkeleyautomation.github.io/dex-net/code.html


=======================Dex-Net==========================
Dex-Net 2.0
是一个HDF5文件数据集，包含了1500个物体到模型，平行夹具抓取点，抓取鲁棒性矩阵。

Dex-Net Object Mesh Database v1.1
是物体网格类型文件数据集。

对于Dex-Net 1.0，一个3D物体多视角下拍摄到图片，输入到MV-CNN，输出后得到这是哪个物体，
一张物体图像，用传统方法标记出的抓取点，和力封闭可能性大小标签，考虑到手爪位姿不确定性、物体位姿不确定性，所以然后加了汤姆森采样，得到更新的鲁棒的力封闭可能性大小，按照更低的置信区间最大化进行排序，然后存储到数据库里面，形成了Dex-Net 2.0数据集

Dex-Net 2.0描述的是，将1.0得到到数据集（带抓取点的图片）和深度图像作为GQCNN的输入，输出是抓取质量好坏
用的时候，输入是深度图像，首先需要用传统的方法给出抓取点，然后把它输入GGQCNN得到每个抓取对应的抓取质量好坏，选择最好的质量进行抓取。


=======================INSTALLATION==========================
下载Dex-Net
https://github.com/BerkeleyAutomation/dex-net.git

运行安装文件
在Dex-Net文件夹目录下，打开终端，输入
sudo sh install.sh {cpu|gpu} {python|ros}
其中，cpu|gpu 只出现其一，python|ros 只出现其一，并且不要花括号，如下
sudo sh install.sh cpu python

测试安装
python setup.py test


=======================Overview==========================
运行python脚本
cd /path/to/your/dex-net
python apps/dexnet_cli.py

提示没有模块meshpy，需要进入/deps/meshpy下面安装,再次运行上面到脚本即可

输入0，
然后输入data/examples/example.hdf5


*******Note: databse 和 dataset 的区别：
程序中涉及的变量
database:是HDF5文件，包含物体的mesh,抓取点和抓取质量值。
dataset:是mesh文件


1)Database Manipulation
The Dex-Net CLI（数据集命令行交互）可用于打开、读取、写入3D物体模型、平行夹具抓取、抓取鲁棒性矩阵的HDF5数据集。


2)Point Cloud Dataset Generation
鲁棒的抓取规则是基于GQCNN（抓取质量卷积神经网络）的，对于新鲜物体的抓取规划有用，需要在Dex-Net 2.0数据集上对GQCNN进行训练。


=======================Examples==========================

需要安装mayavi模块，方法：
Mayavi requires at the very minimum the following packages:

        VTK >= 5.0 with Python wrapper
        numpy >= 1.1.1
        setuptools (for installation and egg builds)
        Traits >= 3.0 (Traits, TraitsUI and TraitsBackendWX or TraitsBackendQt, EnthoughtBase, AppTools)


参考帖子：https://stackoverflow.com/questions/41960672/how-to-install-mayavi-trait-backends
The following steps worked for me (in a python2 environment):
conda create -yn mayavitest
source activate mayavitest
conda install -yc menpo mayavi=4.5.0
conda install -y pyside
conda install qt
ETS_TOOLKIT=qt4 python /path/to/mayavi-example.py
结论：测试


运行generate_gqcnn_dataset.py，输入
python tools/generate_gqcnn_dataset.py adv_synth

安装OpenRAVE
https://scaron.info/teaching/installing-openrave-on-ubuntu-16.04.html
https://fsuarez6.github.io/blog/openrave-trusty/
https://fsuarez6.github.io/blog/workstation-setup-xenial/
Boost version: 1.58.0

安装FCL
删除文件命令：sudo rm -rf xx
/home/xiaoqing/anaconda2/lib/python2.7/site-packages/FCL

查看已安装的包：
pip list


在某一目录下递归[所有子目录]查找某一字串:
grep -r “字串” 目录名
就是加一个-r参数，请看man page:
-R, -r, –recursive


===============tensorboard使用=========================================
 执行程序，tensorboard生成可视化
进入linux命令行，运行以下代码，等号后面加上summary日志保存的路径（在程序第一步中就事先自定义了）
tensorboard --logdir=

转载于:https://www.cnblogs.com/USTBlxq/p/9250314.html