ChicGrasp

ChicGrasp数据集由美国阿肯色大学的研究团队创建，旨在为研究农业工程和机器人学习的学者提供可复现的基准和公共数据集。该数据集包含50个多视图遥操作演示（RGB +本体感觉），用于训练条件扩散策略控制器。ChicGrasp系统通过模仿学习技术，实现了对易变形和可变家禽产品的灵活可靠处理，为自动化家禽加工提供了新的解决方案。

The ChicGrasp dataset was developed by a research team at the University of Arkansas, with the goal of providing reproducible benchmarks and public datasets for scholars focusing on agricultural engineering and robotic learning. This dataset includes 50 multi-view teleoperation demonstrations (RGB + proprioception) for training conditional diffusion policy controllers. Leveraging imitation learning technologies, the ChicGrasp system enables flexible and reliable handling of deformable and variable poultry products, offering a novel solution for automated poultry processing.

搜集汇总

数据集介绍

构建方式

ChicGrasp数据集的构建基于多视角遥操作演示，涵盖了50组RGB图像、本体感知数据及夹爪状态的同步记录。研究团队采用UR10e机械臂搭载定制双爪气动夹具，通过3Dconnexion® SpaceMouse进行人工遥操作，模拟鸡肉胴体的抓取与悬挂过程。数据采集系统整合了三个D435深度相机（640×480@30Hz RGB）、100Hz的机械臂关节状态及夹爪二进制信号，确保了时空对齐的多模态数据流。每段演示轨迹持续25-40秒，覆盖了不同光照条件和胴体姿态，为后续条件扩散策略的训练提供了高保真度的行为样本。

特点

该数据集的核心特点体现在其针对生物制品柔性操控的专有设计：1) 多模态特性：同步采集的视觉（三视角RGB）、本体感知（6-DoF关节状态）与二元夹爪状态构成异构观测空间；2) 生物力学适配性：数据源自特制双爪夹具的异步抓取策略，其3D打印的30°人字纹爪面设计可增强湿滑表面的摩擦系数；3) 领域特异性：演示数据精准捕捉了生鲜禽类胴体的解剖变异（腿间距140±20mm）与表面形变特性，填补了农业机器人领域对易变形生物制品操作的数据空白。数据集还包含三种不同规格胴体的评估日志，为算法泛化性研究提供基准。

使用方法

该数据集支持端到端模仿学习管线的开发与应用：1) 策略训练：以堆叠RGB帧、关节状态和夹爪二进制信号为观测输入，通过条件扩散模型（Diffusion Policy）或LSTM-GMM等算法，学习5-DoF末端执行器运动与夹爪状态的联合预测；2) 闭环控制：训练后的策略可实时处理250Hz的视觉-本体感知流，输出空间坐标(x,y,z)和夹爪指令(gL,gR)，经Arduino Uno转换为气动阀控制信号；3) 混合执行：当策略检测到稳定抓取（连续3帧gL=gR=1）后，系统自动切换至预设的七路点悬挂轨迹。数据集配套提供CAD模型与评估协议，支持从仿真到真实世界的迁移研究。

背景与挑战

背景概述

ChicGrasp数据集由阿肯色大学和普渡大学的研究团队于2025年提出，旨在解决禽类加工行业中自动化处理易变形生物产品的核心问题。该数据集聚焦于生鲜禽类胴体的抓取与悬挂任务，通过结合定制化双爪气动夹持器与条件扩散策略控制器，实现了对不规则生物产品的精准操控。作为农业工程与机器人学习交叉领域的标杆性研究，ChicGrasp首次将模仿学习技术应用于高变异性的禽类产品处理场景，其开源的50组多视角示教数据（包含RGB图像与本体感知信息）为柔性物体操控研究提供了重要基准。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，需克服禽类胴体表面湿滑易损、腿部空间位置随机分布等特性，传统吸盘式夹持器在此类场景下成功率不足5%；在构建过程中，研究人员需解决多模态传感器数据同步、非刚性物体示教轨迹标注、以及有限样本下的策略泛化等难题。实验表明，即使采用先进的扩散策略，系统在真实禽类胴体上的抓取悬挂成功率仅达40.6%，凸显出生物产品形变建模与实时适应性控制仍是待突破的关键瓶颈。

常用场景

经典使用场景

ChicGrasp数据集在农业工程和机器人学习领域具有重要应用价值，特别是在处理易变形、不规则生物产品的自动化操作方面。该数据集通过模仿学习技术，结合多视角远程操作演示数据（RGB+本体感知），为机器人提供了精准的5自由度末端执行器运动规划能力。其经典使用场景包括禽类加工生产线中的鸡胴体抓取与悬挂任务，通过独立的双爪气动夹持器实现对鸡腿的稳定夹持，避免了传统吸盘式夹持器在湿滑表面上的失效问题。

实际应用

在实际应用层面，ChicGrasp数据集直接服务于禽类加工产业的自动化升级。其系统可在禽类加工线的冷却和再悬挂阶段实现自动化操作，替代传统依赖人工的鸡胴体悬挂工序。该系统已证明能够完成从抓取到悬挂的完整作业循环，平均耗时38秒，成功率达到40.6%。这种自动化解决方案有望缓解禽类加工行业面临的劳动力短缺和产品污染风险，同时提高生产线的处理一致性和效率。

衍生相关工作

基于ChicGrasp数据集，已衍生出多个相关研究工作。在硬件方面，独立驱动的双爪气动夹持器设计启发了其他易变形物体夹持器的开发；在算法层面，条件扩散策略的应用推动了模仿学习在农业机器人领域的进一步发展。该数据集还为后续研究提供了基础，如将学习范围扩展到完整的抓取-悬挂序列、整合实时力反馈传感器，以及优化运动规划以满足工业级处理速度要求。这些衍生工作共同推动了农业机器人处理易变形生物产品的技术进步。