DG16M

DG16M是一个大规模的双臂抓取数据集，由IIIT Hyderabad和IIITDM Kancheepuram的机器人学研究室创建。该数据集包含约1600万个经过优化力闭合约束评估的双臂抓取实例，旨在确保抓取的稳定性和物理可行性。数据集通过采用严格的力闭合公式，为每个对象生成高达4000个双臂抓取对，从而提供了高质量的抓取对，使得深度学习模型能够更好地泛化。此外，还引入了一个包含300个对象和大约3万个在物理模拟环境中验证的抓取对的基准数据集，用于评估双臂抓取合成方法的抓取质量。

DG16M is a large-scale dual-arm grasping dataset developed by the Robotics Laboratories of IIIT Hyderabad and IIITDM Kancheepuram. It contains approximately 16 million dual-arm grasping instances evaluated against optimized force closure constraints, designed to ensure grasping stability and physical feasibility. By adopting a rigorous force closure formulation, the dataset generates up to 4000 high-quality dual-arm grasp pairs for each object, enabling deep learning models to achieve better generalization performance. Additionally, a benchmark dataset consisting of 300 objects and approximately 30,000 grasp pairs validated in a physical simulation environment is introduced, which is utilized to evaluate the grasping quality of dual-arm grasping synthesis methods.

搜集汇总

数据集介绍

构建方式

DG16M数据集的构建方式是通过对16万个物体进行双臂抓取的优化，生成约4000个双臂抓取对，共计约1600万个抓取。数据集的构建过程中，首先通过反极采样生成抓取候选者，然后利用基于优化的力闭合公式评估抓取质量。在抓取采样过程中，通过在物体表面随机选择一个点及其对应的法线，然后在法线方向周围约束区域内追踪射线找到第二个接触点，确保两个接触点满足反极条件。接着，验证抓取配置是否导致抓手与物体之间发生碰撞。如果发生穿透或重叠，则丢弃该抓取。对于每个物体，初始采样500个单臂抓取，然后将其组合生成所有可能的唯一双臂抓取对。为了提高多样性和防止冗余，应用基于距离的修剪步骤，移除彼此太近的抓取对。过滤过程后，每个物体平均保留30,000到80,000个双臂抓取对。这些候选抓取对然后通过基于优化的力闭合框架，以确保只保留物理上稳定和可行的抓取。

特点

DG16M数据集的特点是规模庞大，包含了约1600万个双臂抓取，并采用了更严格的力闭合公式，以分析抓取稳定性，同时考虑了外部力和抓手约束。此外，数据集还引入了一个基准数据集，包含约300个物体和30,000个通过物理模拟验证的抓取，为双臂抓取提供了一个标准化的评估。数据集的优势在于，它不仅提供了大量的抓取数据，而且通过物理模拟验证确保了抓取的稳定性和可行性，使得数据集适合用于双臂抓取算法的基准测试和研究。

使用方法

DG16M数据集的使用方法包括抓取采样和抓取质量评估两个关键步骤。首先，通过反极采样生成抓取候选者，然后利用基于优化的力闭合公式评估抓取质量。抓取质量评估的目标是确定能够抵抗作用于物体质心的外部力偶（wext）的接触力，同时满足摩擦锥约束，从而满足力闭合。数据集的使用可以通过训练双臂抓取分类器网络来实现，该网络在模拟中表现优于现有方法，实现了更高的抓取成功率和更好的泛化能力。此外，数据集还可以用于评估和比较不同抓取生成方法的效果，以推动双臂抓取技术的发展。

背景与挑战

背景概述

DG16M数据集是一个大规模的双臂抓取数据集，由印度海得拉巴国际信息技术学院（IIIT Hyderabad）的机器人研究团队创建。该数据集旨在解决双臂机器人抓取大、重或难以单臂有效抓取的物体的问题。DG16M数据集提供了高质量的抓取对，使得基于深度学习的抓取生成模型能够更好地泛化。该数据集的创建对相关领域产生了深远的影响，为双臂抓取研究提供了重要的数据基础。

当前挑战

DG16M数据集在构建过程中面临的主要挑战包括：1)如何有效地生成稳定的双臂抓取配置，这需要对物体的大小、形状以及双臂之间的协调进行考虑；2)如何确保生成的抓取配置在物理上可行，这需要对抓取力进行优化，以使其能够抵抗外部干扰。为了解决这些挑战，DG16M数据集采用了一种基于优化的力闭合约束方法，通过分析抓取稳定性来确保抓取配置的物理稳定性。此外，DG16M数据集还通过物理模拟环境验证了抓取质量，为双臂抓取合成方法提供了更好的评估。

常用场景

经典使用场景

在双臂抓取领域，DG16M数据集被广泛用于训练和评估双臂抓取分类器网络。通过优化基础的力闭合约束，该数据集提供了高质量的抓取对，使得基于深度学习的抓取生成模型能够更好地泛化。此外，DG16M数据集还包含了经过物理仿真环境验证的抓取数据，为双臂抓取合成方法提供了更好的抓取质量评估。

实际应用

DG16M数据集在实际应用中，可以用于训练和评估双臂抓取分类器网络，以提高抓取的成功率和泛化能力。此外，该数据集还可以用于开发自适应抓取策略，根据物体属性和外部干扰动态调整参数，增强双臂机器人系统在实际任务中的灵活性和可靠性。

衍生相关工作

DG16M数据集的提出，促进了双臂抓取领域的研究和发展。基于该数据集，研究人员可以开发更先进的抓取生成方法和分类器网络，以实现更稳定和可靠的双臂抓取。此外，该数据集还可以用于开发自适应抓取策略，以适应不同的物体和任务需求。