Learning robust, real-time, reactive robotic grasping论文解读

文章亮点：

1、克服了抓取检测的两个缺点：离散生成候选框的方法参数量巨大；参数数量巨大计算及运行速度慢不能实现闭环控制。文中使用了类似于语义分割的方法，使参数量小了好几个数量级，同时可以实现50hz的闭环抓取操作

2、将单个抓取模型训练结果运用到杂乱环境中进行抓取操作依然可行

3、对运动物体抓取检测闭环控制的质量

4、针对杂乱物体相互遮挡问题采用螺旋路径多视点取样检测的方法

5、文中进行了大量对比实验包括开环闭环抓取对比实验，单个物体和杂乱物体抓取对比实验，静止物体和运动物提抓取对比实验，以及通过改变神经网络的超参数进行模型优化的实验。

文章总结：

1、抓取检测模型是由六层卷积神经网络组成，其中后两层采用扩展卷积的方法来增大感受野，该网络类似于语义分割的作用。训练网络的输入前的图像处理将物体的标签框内设置为1，其余设置为0.

2、抓取模型的选取，作者共设置了95个网络，在康奈尔数据集上筛选IOU较高的神经网络，然后用仿真数据集扩展训练神经网络。

3、神经网络实时输出检测结果的位置信息，然后通过视觉伺服系统实行闭环抓取（视觉伺服使用的是已经成熟的方法）

4、对连续帧的检测结果采用高斯滤波处理，这样处理后在抓取静止物体时作用不大，但是在抓取运动物体时可以在连续帧之间锁定抓取检测结果，防止频繁切换抓取位姿。

5、抓取训练过程中成功的标准沿用了以前的方法

6、文章对机械臂抓取使用的被抓取物，以及抓取评判标准做了标准化

7、文中随机模拟输入误差使机械爪到达的位置不准确，以此来检验闭环抓取的优越性

8、杂乱环境中机械臂抓取检测结果不明显，特别是对于一些被遮挡，黑色、透明、反光强的物体不容易被检测到。针对这个问题，作者采用多视点检测结果求平均值的方法，该方法可以使抓取检测结果更突出。

文章存在的不足：

1、根据作者统计，闭环抓取失败的原因有一部分是由于相机的检测距离造成的，由于相机小于17cm的距离检测效果不理想，所以抓取的后半段并不是严格意义上的闭环控制，这就导致抓取失败。

2、作为闭环抓取方法，自身具有很强的可扩展性，例如将遮挡的物体移动后抓取，或者在机械爪末端集成触觉反馈完成更完美的闭环抓取