능숙한 그립 변환기

이 연구에서는 능숙한 그립 생성을 위한 새로운 판별 프레임워크인 능숙한 그립 변환기(DGTR)를 제안합니다. 이 프레임워크는 객체 포인트 클라우드를 한 번의 전방 패스를 통해 처리하여 다양한 가능한 그립 자세를 예측할 수 있습니다. 우리는 능숙한 그립 생성을 집합 예측 작업으로 공식화하고, 이를 위해 변환기 기반의 그립 모델을 설계합니다. 그러나 우리는 이 집합 예측 패러다임이 능숙한 그립 분야에서 여러 최적화 문제에 직면하고 성능이 제한된다는 것을 발견했습니다. 이러한 문제를 해결하기 위해 훈련 및 테스트 단계 모두에 대한 점진적인 전략을 제안합니다. 첫째, 훈련 단계에서 최적화의 안정성을 향상시키기 위해 동적-정적 매칭 훈련(DSMT) 전략을 제시합니다. 둘째, 우리는 적대적 손실 쌍을 이용한 적대적 균형 테스트 시간 적응(AB-TTA)을 도입하여 테스트 단계에서 그립 품질을 개선합니다. DexGraspNet 데이터셋에 대한 실험 결과는 DGTR이 높은 품질과 다양성을 가진 능숙한 그립 자세를 예측할 수 있음을 입증합니다. 특히 높은 품질을 유지하면서 DGTR이 예측한 그립 자세의 다양성은 이전 연구들을 여러 메트릭에서 대폭 초월하였고, 데이터 전처리가 필요하지 않았습니다. 코드는 https://github.com/iSEE-Laboratory/DGTR 에서 확인할 수 있습니다.