37,000 Human-Planned Robotic Grasps With Six Degrees of Freedom
Notice bibliographique
Résumé
Much recent work in grasp planning has focused on data-driven approaches, using deep learning to map from images to gripper configurations. However, this approach typically fails about once per ten attempts, limiting its practicality. We sought to better understand the degree to which such failures can be attributed to hardware versus control. To this end, we developed a naturalistic grasp demonstration system in which a gripper was fitted with a handle and moved by a human operator, while its trajectory was recorded with a motion tracker. The gripper's fingers were controlled with a joystick. We recorded roughly 37 K grasp demonstrations with this system. These grasps were almost always successful. In contrast with planar grasp planners that perform only top-down grasps by design, many of the human-planned grasps used a horizontal approach rather than a top-down approach. We analysed robustness ofa subset of these human-planned grasps, and found that many were robust to gripper rotations of about π/8 radians and translations of 3 cm (depending on the object). Consistent with past work, human operators tended to align the gripper aperture with objects' principal axes. We also tested robustness of grasps in which the gripper aperture was aligned exactly with the principal axes, and found that these heuristic grasps were even more robust than human-planned grasps. This suggests that humans used a partly symbolic grasp planning strategy, with somewhat imprecise control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».