잡기 수단의 수십억 가지 방법: 밀도가 높은 물리 기반 잡기 데이터 세트에 대한 잡기 샘플링 방식 평가

로봇 잡기는 종종 학습 문제로 형식화됩니다. 물리 시뮬레이션의 속도와 품질이 증가함에 따라 학습 알고리즘에 데이터를 제공하는 대규모 잡기 데이터 세트를 생성하는 것이 점점 더 인기를 끌고 있습니다. 이 데이터 세트를 구성하는 잡기를 생성하는 방법은 종종 간과되는 질문입니다. 본 논문에서는 다양한 잡기 샘플링 전략을 검토하고 분류 및 비교합니다. 우리의 평가는 SE(3)의 세분화된 이산화를 기반으로 하며, 해당 병렬 태화 잡기의 품질과 강인성을 평가하기 위해 물리 기반 시뮬레이션을 사용합니다. 구체적으로, 우리는 YCB 데이터 세트의 21개 물체 각각에 대해 10억 개 이상의 잡기를 고려합니다. 이 밀집 데이터 세트는 기존 샘플링 방식의 편향성과 효율성을 평가할 수 있게 합니다. 우리의 실험 결과는 일부 인기 있는 샘플링 방식에 상당한 편향이 포함되어 있으며 물체를 잡는 모든 가능한 방법을 다루지 못하고 있음을 보여줍니다.