形状補完を可能にしたロボットの把持

本研究は、形状補完を介したロボットの把持計画を可能にするアーキテクチャを提供します。形状補完は、3D畳み込みニューラルネットワーク（CNN）を用いて実現されます。このネットワークは、さまざまな視点からキャプチャされた44万枚以上の3Dサンプルからなる新しいオープンソースデータセットで訓練されています。ランタイムでは、一つの視点からキャプチャされた2.5DポイントクラウドがCNNに入力され、シーンの遮蔽された領域が埋められ、完成した物体に対して把持が計画され、実行されることを可能にします。ランタイムでの形状補完は非常に迅速であり、形状補完のほとんどの計算コストはオフラインの訓練中に負担されます。私たちは、補完の質がいくつかの要因に基づいてどのように異なるかを探ります。これには、補完される物体が訓練データ内に存在していたかどうかや、ネットワークの訓練に使用された物体モデルの数が含まれます。私たちはまた、ネットワークが新しい物体に一般化する能力についても考察し、システムがランタイムで以前見たことのない物体を補完できるかどうかを調査します。最後に、補完の質と完成したメッシュモデルの把持に対する有用性の関係を探るために、シミュレーションと実際のロボットハードウェアの両方で実験を行います。