TARGO

arXiv2024-07-09 更新2024-07-12 收录

下载链接：

https://TARGO-benchmark.github.io/

下载链接

链接失效反馈

资源简介：

TARGO数据集由慕尼黑工业大学等机构创建，专注于目标驱动下的抓取任务，特别是在有遮挡的环境中。该数据集包含61,119条合成数据和部分真实世界数据，通过模拟和实际场景的结合，系统地分析了遮挡对抓取任务的影响。数据集的创建过程包括合成对象的排列和真实世界对象的采集，旨在提高抓取模型在遮挡环境下的性能。TARGO数据集的应用领域主要是机器人技术和计算机视觉，旨在解决复杂环境中物体抓取的鲁棒性问题。

提供机构：

慕尼黑工业大学, 北京大学计算机学院, 牛津大学, 慕尼黑机器学习中心

创建时间：

2024-07-09

原始信息汇总

TARGO 数据集概述

数据集描述

TARGO 数据集用于 Benchmarking Target-driven Object Grasping under Occlusions，旨在评估在目标驱动下的物体抓取任务中，物体被遮挡情况下的性能。

数据集链接

下载数据集

相关资源

AI搜集汇总

数据集介绍

构建方式

TARGO数据集的构建旨在研究目标驱动抓取在遮挡环境下的鲁棒性。该数据集分为两个部分：TARGO-Synthetic和TARGO-Real。TARGO-Synthetic数据集由VGN数据集生成，通过在桌面上随机放置多个物体来模拟不同遮挡程度的场景。TARGO-Real数据集则包含了真实世界的物体和自然遮挡，用于验证在合成环境中训练的抓取模型在现实世界中的泛化能力。

特点

TARGO数据集的特点在于其首次关注目标驱动抓取在遮挡环境下的挑战，并建立了一个包含大规模合成数据和部分真实世界数据的评估基准。该数据集的合成部分允许系统分析遮挡效应对抓取的影响，而真实世界部分则提供了更接近现实环境的评估机会。此外，TARGO数据集还引入了单场景数据，以增强模型对遮挡的鲁棒性。

使用方法

使用TARGO数据集的方法包括：1) 在合成数据集上进行模型的训练和评估，以研究不同遮挡程度对目标驱动抓取模型的影响。2) 在真实世界数据集上进行模型的零样本迁移测试，以评估模型在实际环境中的抓取性能。3) 利用TARGO-Net模型，该模型集成了形状补全模块，能够在遮挡环境下实现更鲁棒的抓取。

背景与挑战

背景概述

TARGO数据集的研究背景在于当前机器学习在预测6D抓取姿态方面取得了显著进展，特别是在单深度图像上。然而，在杂乱环境中，由于附近物体的干扰，先前抓取模型在抓取目标物体时面临着挑战。为了解决这个问题，研究人员创建了一个新的基准数据集，名为TARGO，用于评估目标驱动抓取模型在遮挡情况下的鲁棒性。TARGO数据集包括大规模的合成数据和部分真实世界数据，旨在系统地研究遮挡对抓取的影响。该数据集由慕尼黑工业大学、北京大学计算机科学与技术系、牛津大学等机构的研究人员共同创建，并于2024年7月8日发布。TARGO数据集对相关领域产生了深远的影响，为研究目标驱动抓取在遮挡情况下的鲁棒性提供了宝贵的资源。

当前挑战

TARGO数据集面临的挑战主要包括：1)所解决的领域问题：在杂乱环境中进行抓取。TARGO数据集旨在评估目标驱动抓取模型在遮挡情况下的鲁棒性，这要求模型能够准确地预测目标物体的6D抓取姿态，并避免与遮挡物发生碰撞。2)构建过程中所遇到的挑战：遮挡物的存在和遮挡程度是TARGO数据集的两个关键属性。在创建数据集时，研究人员需要考虑遮挡物的性质，如遮挡程度和遮挡物的存在与否，以及如何系统地分析这些属性对抓取的影响。此外，真实世界数据集的噪声和多样性也对模型的泛化能力提出了更高的要求。

常用场景

经典使用场景

TARGO数据集主要应用于研究在遮挡环境下目标驱动抓取的鲁棒性。该数据集提供了大规模的合成数据和部分真实世界数据，以评估和训练目标驱动抓取模型在复杂环境下的性能。TARGO数据集涵盖了从无遮挡到高度遮挡的不同场景，为研究人员提供了在控制条件下测试和训练抓取模型的机会。

衍生相关工作

TARGO数据集的提出推动了目标驱动抓取领域的研究，并衍生出了一系列相关的工作。例如，TARGO-Net模型的提出为遮挡情况下的目标驱动抓取提供了新的解决方案。此外，TARGO数据集的建立还促进了其他相关领域的研究，例如形状补全、场景理解等。TARGO数据集的发布和研究成果的发表，为该领域的研究提供了新的思路和方向。

数据集最近研究