anygrap 使用笔记

已于 2024-09-02 11:22:25 修改
阅读量1.2k 收藏 4
点赞数 2
分类专栏： 机器人开发 文章标签： 机器人
于 2024-09-02 11:18:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_24815615/article/details/141815103
版权

graspness（https://github.com/graspnet/graspness_unofficial）官方没有提供权重文件。anygrasp-sdk （https://github.com/graspnet/anygrasp_sdk）提供了权重文件，但是需要申请license。

想体验下anygrasp的精度如何，于是提交了license申请，申请license的响应速度还是很快的，1-2天就收到了机器对应的license文件。

把license放到指定目录，进行license check，然后就可以使用了，发送license文件的他同时，也发送了两个权重文件（rs和kn）。

进行license check的结果如下图：

【云原生之Docker实战】使用Docker部署flatnotes笔记工具
jks212454的博客
09-01 2106
【云原生之Docker实战】使用Docker部署flatnotes笔记工具
AnyGrasp
weixin_51995147的博客
01-15 685
机械臂通用抓取是抓取领域一直在追求的目标，近年来取得了不少令人赞不绝口的研究成果，这些成果为之后真正意义上的通用抓取作出了必不可少的贡献，其中AnyGrasp便是一项非常具有学习和研究价值的成果。
AnyDexGrasp: 通用灵巧抓取方法的创新与应用
一点人工一点智能的博客
03-03 859
通过个性化的训练和优化，AnyDexGrasp 能够根据不同机械手的特点调整其策略，从而在多变的任务环境中保持高效的抓取能力。接着，针对每一种机械手，通过现实世界的试错训练出独特的抓取决策模型，将这些表示转化为最终的抓取姿势。每一个抓取决策子模型都是通过神经网络学习得到的，它接收一个接触中心抓取表示作为输入，并输出一个介于0到1之间的分数，指示相应的抓取候选是否可能成功。例如，在实验中，研究人员发现即便是在仅有几百次抓取尝试的情况下，模型也能显著改善抓取效果，显示出其卓越的学习效率和适应性。
anygrasp+realsense出现的离谱结果
超级菜
09-15 637
调整anygrasp的mask试一下。
推荐文章：探索任意抓取——AnyGrasp SDK全面解析
gitblog_00016的博客
06-06 1713
推荐文章：探索任意抓取——AnyGrasp SDK全面解析 去发现同类优质开源项目:https://gitcode.com/ 在机器人与自动化领域，精准高效的物体抓取一直是一个核心挑战。今天，我们为你揭秘一款前沿的解决方案——【AnyGrasp SDK】，一个专为物体抓握检测与跟踪设计的强大工具包，它正引领着智能机器人技术的新篇章。 1、项目介绍 AnyGrasp SDK，正如其名，旨在解决任何场...
Ubuntu20.4中复现Graspness
Shen Mu Xin's Blog
05-09 1995
ubuntu中复现graspness
ubuntu20.04安装anygrasp
weixin_48319333的博客
03-18 3429
最近想用anygrasp完成一个夹取任务，记录一下安装过程和遇到的坑。根据仓库readme提交表格申请，pointnet2安装成功。根据仓库readme操作，然后分别执行安装命令。
anygrap复现结果
weixin_50161877的博客
03-29 2659
spm_id_from=333.337.search-card.all.click&vd_source=3aec03706e264c240796359c1c4d7ddc 作者视频b站。还得先做个目标检测才行，应该是去背景检测，或者提前限定要物体在图里面的范围，因为他们的相机是在手上的，我们是胸口。他有一个mask，把结果限定在桌面内部。
再一次安装anygrasp
超级菜
06-08 2183
因为anygrasp 要求 pytorch 1.6 太老了，而且对应的cuda 都是cuda 11以下的版本我是笔记本带3060，只能cuda11以上。他复现用的环境是 pytorch 1.8.1 + cuda11.1。
6D 视觉识别系统解读 | yolov5 | Depth-Anything | AnyGrasp
iecyIE的博客
12-29 1195
** 本文纪念自己的三步走战略已经迈开第二步，故此发布原设计文档 ** 本视觉系统是支持垃圾空间信息的 6D 高自由度识别系统，对标工业级视觉系统。受设备性能和技术产权保护等因素，本视觉系统在研究工业视觉系统原理后，选取三种基于深度学习的开源技术相互配合，来达到工业级视觉系统的效果。系统技术原理主要分为三部分：YOLOv5 物体检测；Anything Depth 单目图像深度识别；AnyGrasp 抓取点推理；具体原理将在下文详细介绍。
2.GraspNet-API之examples
AIbot
08-24 1754
2.Examples2.1 检查 Dataset Files2.2 生成 Rectangle Grasp Labels2.3 加载 Grasp Labels2.4 可视化 Dataset2.5 使用 NMS on Grasps2.6 转换 Labels between rectangle format and 6d format2.7 评价 2.1 检查 Dataset Files 您可以通过以下代码检查数据集中是否有任何丢失的文件。 from graspnetAPI import GraspNet # G
java超强笔记
12-03
在面向对象高级特性的部分，笔记可能包含抽象类、接口、内部类、匿名类、枚举，以及泛型和注解的使用。这些特性使得Java代码更加灵活且易于维护。 最后，笔记可能还会涉及一些设计模式，如单例模式、工厂模式、观察...
冰河的渗透实战笔记-冰河.pdf
05-18
冰河整理的全网首个开源的以实战案例为背景的渗透实战笔记，全书共442页，共计37万字（不计空格）。整本书的内容涵盖：Kali基础、渗透工具、木马制作、钓鱼链接生成、爆破密码、内存溢出攻击、web渗透、数据提权、...
手把手教你在思源笔记中使用deepseek
sprlightning的博客
02-06 1741
目前deepseek在思源笔记上能用，但不好用。体现为无法通过deepseek访问笔记数据，期待后期能实现与deepseek对话直接查找笔记的功能。另外deepseek-R1已支持本地化部署，是否能够将本地部署的deepseek接入思源笔记？这也是一个待探究的问题。如果能接入本地deepseek-R1，那如何使其访问笔记数据，管理笔记？后面继续研究研究。
如何在玩客云使用docker部署memos笔记并实现多设备同步笔记
等风来
06-06 2755
本文主要介绍如何在CasaOS玩客云使用Docker本地部署开源云笔记服务memos，并结合cpolar内网穿透工具打造可公网访问的私有云笔记服务。对很多学生党来说，往往都有把自己偶然迸发的想法，上课记的笔记，喜欢的图片，有用的链接保存到一个地方，然后使用自己所有的设备都可以访问的需求。memos就能轻松的做到这一点，无论你在手机、平板、不同的系统的电脑上，都可以轻松访问你保存在上边的内容。支持实时修改并同步，而且所有的数据都保存在你的本地，相对来说更可控也更安全一些。
复现graspnet并使用自己的数据实现（pycharm）
热门推荐
zhuanzhuxuexi的博客
08-02 1万+
使用realsensel515实感相机，使用数据线连接电脑realsensel515相机参数factor_depth 4000 深度转换值intrinsic_matrix 相机内部参数1351.720979.2601352.93556.038001。
论文PhyGrasp: Generalizing Robotic Grasping with Physics-informed Large Multimodal Models解读（加州大学）
AI人工智能、机器人、具身智能、大模型、机器学习、深度学习等技术分享。
03-10 1207
我们介绍了PhyGrasp，一个多模态大型模型，它利用来自两个模态的输入：自然语言和3D点云，通过一个桥接模块无缝集成。语言模态展现出对各种物理属性对抓取影响的稳健推理能力，而3D模态则理解物体的形状和部分。凭借这两种能力，PhyGrasp能够准确地评估物体部分的物理属性，并确定最佳的抓取姿势。
ubuntu20.04安装anygrasp_sdk
qq_39568387的博客
12-06 487
ubuntu20.04安装anygrasp_sdk采坑记录
自动捡网球机器人视觉部分
最新发布
03-09
### 自动捡网球机器人的视觉系统实现方案和技术细节 #### 视觉识别模型的选择 对于自动捡网球机器人而言，其核心挑战在于如何高效准确地检测并定位场地中的网球。考虑到OK-Robot的成功经验，在实际环境中操作物体时可借鉴类似的开放知识模型来构建视觉系统[^1]。 #### 数据集准备与训练 为了使机器人能够适应不同光照条件下的网球场环境以及各种类型的球类物品，需收集大量包含这些变化因素的数据用于训练深度学习模型。这包括但不限于白天夜晚场景切换、草地硬地球场表面差异等复杂情况。 #### 特征提取方法 采用先进的特征描述子如CLIP或者Lang-SAM可以帮助提高目标检测精度；而针对具体抓取动作，则可能需要用到AnyGrasp这样的专门化工具来进行姿态估计和接触点预测。 #### 占据网格的应用 在规划路径过程中，利用占据网络(occupancy network)的概念建立三维空间内的障碍物分布图是非常有效的手段之一。通过将摄像头获取到的画面转换成一系列离散化的体积单元（即体素），可以更直观地理解周围世界，并据此做出合理决策以避开潜在危险区域或找到最佳拾取路线[^2]。 ```python import numpy as np def create_occupancy_grid(image_data, voxel_size=0.1): """ 将图像数据转化为占据网格. 参数: image_data (np.ndarray): 输入的二维灰度图像数组 voxel_size (float): 每个体素的实际大小，默认为0.1米 返回: occupancy_grid (dict): 键为(x,y,z)，值为该位置是否被占用的概率 """ height, width = image_data.shape[:2] max_dim = max(height, width) scale_factor = voxel_size / max_dim occupancy_grid = {} for y in range(height): for x in range(width): z_value = float(image_data[y,x]) * scale_factor # 假设亮度对应高度 key = tuple(np.round([x*scale_factor, y*scale_factor, z_value], decimals=2)) occupancy_grid[key] = min(float(image_data[y,x])/255., 1.) # 归一化后的概率 return occupancy_grid ``` #### 多传感器融合策略 除了依赖单一视觉输入外，还可以考虑加入其他形式的感觉反馈机制比如激光雷达(LiDAR)测距仪或是超声波探测器等等，从而进一步增强系统的鲁棒性和可靠性。多模态信息处理框架允许我们将来自不同类型源的信息结合起来分析判断，最终达到更好的效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值