Robotic Grasp Detection via Residual Efficient Channel Attention and Multiscale Feature Learning
Notice bibliographique
Résumé
Current robotic grasp detection methods frequently exhibit limited accuracy due to inadequate attention to critical object features and inefficient utilization of multi-scale object information. To address these limitations, we propose a grasp detection method that systematically integrates attention mechanisms with multi-scale feature learning. A key component of our method is the Residual Efficient Channel Attention (RECA) module. By utilizing lightweight 1D convolutional operations to for cross-channel interaction and integrating residual connections to enhance feature representation, this module significantly strengthens the network’s capacity to focus on the graspable areas of objects. Furthermore, our method implements a multi-scale feature processing architecture that combines Selective Kernel (SK) convolution featured by dynamic receptive fields with frequency-domain upsampling operations, allowing the model to flexibly adjust the grasping regions in accordance with the object scales. Experimental evaluations on benchmark datasets reveal superior performance, with accuracies reaching 99.2% on the Cornell dataset and 95.9% on the Jacquard dataset. Additional assessments under multi-object scenarios further reveal that our method generates grasp representations with significantly higher grasp quality scores. Physical experiments conducted on an FR5 robotic platform confirm operational reliability, achieving 97% average success rate across 200 grasp trials, demonstrating practical efficacy in real-world applications.
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 ».