基于深度学习的抓取检测(grasp detection)相关论文解析

近几年深度学习技术蓬勃发展，其相关的应用场景也越来越多样化，比如本人做的机械手抓取物体就可以通过深度学习技术加以应用，优化出抓取目标物体的合适的中心坐标，旋转角以及爪盘开度。针对这个问题，目前绝大多数论文讨论的基本上都是基于目标检测领域（object detection）的检测框架（R-CNN，YOLO等），唯一不同的地方是抓取检测引入了机械爪抓取旋转角（orientation）这个目标参数。
机器人抓取检测这个研究方向对智能制造，工业4.0等还是有很重要的意义，因此本文就抓取检测领域的一些重要论文进行汇总研究（以后看了新的论文俺也会在这进行更新），前几篇论文都是很久之前的论文了，可能现在有更多前沿的技术，本人也不是专门研究机器人抓取这一块的，因此主要考虑自身的学习，对现有的论文进行整理研究，由于个人能力有限以及工作量太大，无法对全文作出全面的解析，因此有些部分只做简要的介绍，如有翻译或理解错误，还望大家批评指正：

序号	论文名	关键词
1	Deep Learning for Detecting Robotic Grasps（论文）（源码）	两阶段，PR2，三维空间
2	Real-Time Grasp Detection Using Convolutional Neural Networks（论文）（源码）	单阶段，实时 ，多抓取预测

一.Deep Learning for Detecting Robotic Grasps

1.介绍

这篇论文是抓取检测领域的一篇重要论文，还提供了开源数据集，源码和数据集都在项目官网上面可以下载。
介绍部分作者主要提到深度学习技术在一些任务上效果很好，前人主要的一些工作都集中在种类识别，人脸识别，行人识别等等，殊不知抓取也是一项检测任务，因此提出第一个创新：将深度学习应用在抓取的检测问题中。
随后指出一系列创新：利用RGBD多模态数据来提高抓取的效果，提出的两阶段检测系统等等，个人理解作者的两阶段检测相当于是添加预训练网络，提取第一个阶段的特征到主干网络进行再学习。
紧接着作者从机器人抓取这块讨论现有的主要是基于力闭合，形式来手工设计抓取评估参数，还有基于3D模型的抓取，这些基于物理场景重建的方法不适用于变化场景的抓取。
然后引入机器学习的应用，学习算法可以减少手工设计的过程，同时可以泛化模型可以检测从未见过的物体