基于学习的平面抓取检测方法分类及讨论

平面抓取检测的任务是，输入感知数据，输出抓取配置。到目前，基于学习的平面抓取检测方法主要分为两类：

（1）一阶段的端到端学习方法。

（2）两阶段的学习方法。

1、一阶段学习法

在这类方法中，直接学习从输入数据到抓取配置的映射函数，即神经网络。输入通常为RGB图像或深度图像，输出为抓取配置的集合，然后根据置信度选取最优的抓取配置。目前以基于矩形框抓取表示的方法为主，如

（1）Fully Convolutional Grasp Detection Network with Oriented Anchor Box

（2）Real-world Multi-object, Multi-grasp Detection

（3）Densely Supervised Grasp Detector (DSGD)

2、两阶段学习法

包括两阶段：抓取配置采样，抓取配置评估。第一阶段首先采样多个抓取配置，第二阶段评估每个候选抓取的质量，然后选取最优的抓取。目前最好的是Dex-Net 4.0：

（1）Dex-Net 4.0: Learning ambidextrous robot grasping policies

3、讨论

一阶段学习法的GroundTruth是物体上所有的可行抓取配置，标注抓取配置可以手动标注、机器人实际试错标注或者虚拟环境自动生成，存在下面几个问题：

（1）手动标注没有统一标准，存在误差。

（2）机器人标注太耗时，2016年ICRA的Supersizing Self-supervision: Learning to Grasp from 50K Tries and 700 Robot Hours 耗费了大量时间，最终的结果却不尽人意。

（3）不管是哪种标注方法，都无法详尽地标注物体所有可行的抓取方法，这意味着，神经网络没有最佳的学习target。

（4）多物体堆叠场景难以进行标注，导致现在的平面抓取数据集几乎都是单物体的(cornell、Jacquard等，现在应该有合成的多物体场景数据集，没太关注)，使得学习的网络在bin-picking任务中表现较差。

二阶段学习法的GroundTruth是抓取样本的质量，即0或1。数据集可以在虚拟环境中自动生成数据集，学习的target也是最佳的，不过合成像Dex-Net4.0那种百万级的样本也不是一般实验室能做的。尽管如此，可以看出二阶段学习法比一阶段学习法更好，更值得研究。下一步的研究方向是如何面向小数据集进行抓取检测。