Manipose ist ein neuartiges Benchmark-System, das die Entwicklung von Algorithmen für positionsabhängige Objektmanipulation in der Robotik vorantreiben soll. Es umfasst realistische Simulationsumgebungen, einen großen Datensatz mit präzisen 6D-Objektposen sowie einen Baseline-Algorithmus, der die Beziehung zwischen Objektpose und Manipulationsanforderungen nutzt, um verbesserte Greifvorhersage und Bewegungsplanung zu ermöglichen.
AO-Grasp ist eine Methode zur Erzeugung von stabilen und aktionsfähigen 6-DoF-Griffen für artikulierte Objekte, die direkt aus partiellen Punktwolken ohne Erkennung von Objektteilen oder handgefertigte Greifheuristiken generiert werden.
Ein Deep Reinforcement Learning-Verfahren, das gemeinsame Strategien für Schieben und Greifen entwickelt, um effektive Manipulation von Zielobjekten in untrainierten, dicht gedrängten Umgebungen zu ermöglichen.
Unser Ansatz, die Chain-of-Visual-Residuals (CoVR)-Methode, ermöglicht es, Benutzervorlieben aus einer Sequenz von Bildern in Tischplattenobjektmanipulationsaufgaben abzuleiten, indem er sowohl semantische als auch geometrische Eigenschaften der Objekte berücksichtigt.