DGBench

DGBench是由昆士兰科技大学机器人中心开发的一个开放源代码动态抓取基准数据集，旨在评估动态环境中机器人的抓取性能。该数据集包含20条轨迹，用于模拟机器人与移动物体之间的相对运动。数据集的创建过程涉及使用Arduino控制的XY可控平台，以及G-code命令来精确控制物体运动。DGBench的应用领域主要集中在机器人抓取技术，特别是在动态环境中的抓取任务，如移动机器人或太空环境中的物体抓取。DGBench is an open-source dynamic grasping benchmark dataset developed by the Robotics Centre at Queensland University of Technology, designed to evaluate robotic grasping performance in dynamic environments. It contains 20 trajectories that simulate the relative motion between robots and moving objects. The development of this dataset employs an Arduino-controlled XY motion platform and G-code commands to precisely control the movement of objects. The primary application domains of DGBench are robotic grasping technology, with a particular focus on grasping tasks in dynamic environments, such as object grasping by mobile robots or in space scenarios.

搜集汇总

数据集介绍

构建方式

在机器人动态抓取领域，DGBench的构建体现了对标准化评估体系的追求。该数据集通过开源硬件平台实现，采用XY可控平台驱动两个步进电机，由运行Grbl的Arduino控制，平台运动范围达280×280毫米，最高速度250毫米/秒。物体轨迹通过随机生成的线性段连接而成，每段长度固定为50毫米，方向变化在45°至315°之间随机选取，并通过固定半径的圆弧平滑过渡。实验使用3D打印的红色立方体作为标准化抓取目标，边长分别为30毫米和40毫米，以消除抓取点选择方法的影响，确保评估的客观性与可重复性。

特点

DGBench的核心特点在于其专注于动态抓取场景的不可预测性评估。数据集设计了随机且加速频繁的物体运动轨迹，模拟真实世界中机器人抓取移动物体时面临的相对运动挑战。其轨迹生成算法通过随机方向变化与速度调节，创造出难以预测的运动模式，迫使抓取系统必须依赖持续的视觉反馈。此外，数据集支持多种感知系统配置的比较，包括传统腕部摄像头、单手指间摄像头及双指间摄像头系统，从而能够系统性地分析不同感知方案在遮挡、视野限制及传感器最小作用距离等约束下的性能差异。

使用方法

使用DGBench进行评估时，需遵循标准化的试验流程。首先，机器人移动至工作空间上方500毫米的初始位置并张开夹爪；随后，同步启动视觉伺服控制器，动态平台开始沿随机选定的轨迹运动。机器人依据控制器指令跟踪物体，直至夹爪闭合完成抓取动作。每次试验结果根据三种可能结局记录：成功抓取（物体被夹爪提起）、感知失败（物体移出摄像头视野导致尝试中止）或抓取失败（保持观测但接触导致物体脱落）。通过在不同速度（100至200毫米/秒）和物体尺寸下重复试验，可量化计算抓取成功率、平均抓取时间及感知失败率，从而实现对动态抓取系统性能的全面、可复现的基准测试。

背景与挑战

背景概述

在机器人抓取领域，动态抓取作为一项关键能力，对于移动操作、人机协作及空间探索等应用场景具有深远意义。DGBench由昆士兰科技大学机器人中心的研究团队于2022年提出，旨在解决机器人抓取中因相对运动导致的可靠性问题。该数据集通过开源可复现的硬件测试平台，为动态抓取性能评估提供了标准化基准，填补了该领域缺乏统一评价体系的空白，推动了机器人感知与控制系统的协同优化研究。

当前挑战

DGBench所针对的动态抓取任务面临多重挑战：在领域层面，传统静态抓取感知系统因传感器最小范围限制、视野遮挡及视野狭窄等问题，难以在抓取最终阶段维持闭环反馈，导致在不可预测相对运动下抓取失败。在构建过程中，研究团队需设计能够模拟任意且可重复相对运动的硬件平台，并确保轨迹生成的随机性与可控性，以涵盖从间歇性运动到复杂轨迹的多样化动态场景，同时需克服多摄像头系统集成与实时视觉伺服控制的实现难题。

常用场景

经典使用场景

在机器人抓取领域，动态抓取任务因物体与机器人间存在不可预测的相对运动而极具挑战性。DGBench作为一个开源、可复现的基准测试系统，其经典使用场景在于为动态抓取算法的性能评估提供标准化平台。通过设计可控的XY平台模拟物体在二维平面内的随机轨迹运动，该数据集能够系统性地测试不同视觉感知配置在动态环境中的鲁棒性。研究人员利用DGBench可以精确控制物体的运动速度与路径，从而在真实机器人硬件上量化抓取成功率、感知失败率及抓取时间等关键指标，为动态抓取技术的比较与优化奠定实验基础。

实际应用

动态抓取技术在诸多实际机器人应用中至关重要，例如移动机械臂在行进中抓取物体、人机协作中的物体递接，或在太空微重力等非结构化环境中进行操作。DGBench所构建的测试环境能够模拟这些场景中物体与机器人间的相对运动，其实际应用体现在为工业自动化、物流分拣及服务机器人等领域的动态抓取系统开发提供验证工具。通过该数据集，工程师可以评估不同摄像头配置（如固定式、腕部式或多摄像头手眼系统）在真实动态任务中的可靠性，从而指导机器人感知系统的硬件布局与算法部署，提升在复杂动态环境中的操作成功率。

衍生相关工作

DGBench的推出促进了动态抓取领域一系列相关工作的深化与发展。基于其基准框架，后续研究可专注于优化视觉伺服控制律，以提升在高速动态场景下的抓取精度。同时，该数据集启发了对更复杂感知融合方法的探索，例如结合深度传感与RGB视觉以兼顾抓取早期三维信息与末段连续跟踪。此外，衍生工作还包括将测试平台扩展至三维旋转运动，以评估对非对称物体的动态抓取能力，以及探索在软体机器人或低成本执行器上实现鲁棒闭环抓取的可行性。这些工作共同推动了动态抓取技术向更通用、更稳健的方向演进。