Galbot 通过使用 NVIDIA Isaac Sim 的广泛 DexGraspNet 数据集推动仿人机器人技术进步
realtime news Nov 06, 2024 17:55
Galbot 使用 NVIDIA Isaac Sim 开发了一个名为 DexGraspNet 的综合数据集，提升了仿人机器人高效操控物体的能力。
机器人灵巧抓取是机器人技术的一个关键领域，专注于使仿人机器人能够以类似人类的灵巧性处理和操控物体。根据NVIDIA的报道，机器人公司 Galbot 通过使用 NVIDIA Isaac Sim 开发了一个名为 DexGraspNet 的大规模数据集，在这一领域取得了重大进展。
创建综合数据集
DexGraspNet 是一个突破性的数据集，包含 1.32 万个 ShadowHand 抓取动作，涉及 5,355 个物体，覆盖超过 133 个类别。这个数据集比以前的 Deep Differentiable Grasp 等数据集大两个数量级，为每个物体实例提供了广泛的抓取动作。这一庞大的数据集有助于更准确地训练算法，使机器人能够执行需要精细运动技能的复杂任务。
创新技术和工具
Galbot 利用了强大的仿真工具 NVIDIA Isaac Sim 来验证大量的抓取动作，解决了先前在扩展灵巧抓取数据集时遇到的挑战。他们使用深入加速的优化器来高效合成稳定和多样化的抓取动作。这种方法确保数据集包含了先前用其他工具无法实现的抓取动作。
抓取算法的进步
通过跨数据集实验，Galbot 展示了在 DexGraspNet 上训练的算法明显优于以前的数据集。公司引入了 UniDexGrasp++，这是一种学习广义灵巧抓取策略的新方法。该方法利用地理课程学习和几何感知递进全能-专家学习（GiGSL）来增强基于视觉的抓取策略的泛化能力。
扩展及现实应用
Galbot 的进步扩展到了实际应用领域，包括 DexGraspNet 2.0，在杂乱环境中的灵巧抓取实现了 90.70% 的成功率。团队还开发了一个使用 NVIDIA Isaac Lab 的仿真测试环境，加快了灵巧抓取模型的开发和实施。
这些发展标志着仿人机器人技术的重大飞跃，使机器人能够更好地模拟人类在操控物体时的灵巧与效率。Galbot 的工作，在 NVIDIA 仿真工具的支持下，继续推动着机器人灵巧抓取领域的可能性边界。
Image source: Shutterstock