Dex-Net（GQ-CNN 抓取网络）

伯克利用仿真合成数据训练的抓取打分网络，从深度图判断哪种抓法最稳。

Dex-Net 是加州大学伯克利分校 Ken Goldberg 团队（AUTOLAB）的抓取项目，最有名的是 2017 年发表于 RSS 的 Dex-Net 2.0。它不采真机数据，而是在大量 3D 物体模型上用解析抓取指标（按几何和力学公式算抓取稳不稳）批量打标签，合成了 670 万组「点云 + 抓取 + 标签」，再训练卷积网络 GQ-CNN：输入深度图和候选抓取（平面位置、角度、深度），输出成功概率，机器人挑分最高的执行。它是「仿真合成数据训练、直接上真机」在抓取上的早期代表；后续 3.0 扩展到吸盘，4.0（Science Robotics 2019）同时用夹爪和吸盘做无序抓取。

例子Dex-Net 2.0 在 ABB YuMi 机器人上用 GQ-CNN 规划二指夹爪抓取：对 8 个已知物体成功率 93%，对没见过的家居物体，被判为「稳」的抓取精度约 99%。

也叫

Dexterity Network、Dex-Net 2.0、GQ-CNN、Grasp Quality CNN、抓取质量卷积网络

相关

抓取、抓取质量指标、无序抓取、合成数据、卷积神经网络、抓取位姿检测

来源

Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics (arXiv:1703.09312)
Dex-Net 项目主页（Berkeley AUTOLAB）

信息截至

2019