Supermarket-6DoF

Supermarket-6DoF是一个真实世界的抓取数据集，包含1500次对20种超市物品的抓取尝试，每个物品都有公开的3D模型。该数据集特别之处在于提供了物理机器人执行的地面真实结果，而不是依赖于分析指标或模拟进行抓取标记。它具有完整的6自由度抓取姿态注释，并标注了初始抓取成功和外部扰动下的后抓取稳定性。数据集适用于抓取成功预测，展示了不同抓取姿态表示对抓取成功预测的影响。

Supermarket-6DoF is a real-world grasping dataset containing 1500 grasping attempts on 20 supermarket items, with publicly available 3D models for each item. What distinguishes this dataset is that it provides ground-truth results executed by physical robots, rather than relying on analytical metrics or simulation for grasp labeling. It features complete 6-degree-of-freedom (6DoF) grasp pose annotations, as well as labels for initial grasp success and post-grasp stability under external disturbances. This dataset is suitable for grasp success prediction and demonstrates the impact of different grasp pose representations on grasp success prediction.

搜集汇总

数据集介绍

构建方式

Supermarket-6DoF数据集通过在真实机器人上执行1500次抓取尝试构建而成，包含20种超市物品的3D模型和相应的抓取姿态。数据集的构建采用了以下方法：首先，选择20种形状、大小、重量和材料各异的物品；其次，使用UR5机器人和Robotiq 2f-85平行爪夹具进行数据采集；接着，通过Intel RealSense D435 RGB-D相机获取场景的RGB图像、深度图像和点云；最后，对每个物品执行75次抓取尝试，并根据抓取成功与否以及稳定性进行标注。

使用方法

使用Supermarket-6DoF数据集时，研究人员可以加载抓取尝试的数据，包括RGB图像、深度图像、点云以及抓取姿态和标签。通过这些数据，可以训练和评估抓取预测模型，分析不同抓取姿态表示对预测性能的影响，并进一步优化抓取算法。

背景与挑战

背景概述

Supermarket-6DoF数据集是一个真实世界的抓取数据集，包含1500次抓取尝试，涵盖20种超市物品。该数据集的特点是提供了完整的6自由度抓取姿态，并标注了初始抓取成功以及在外部扰动下的稳定性。该数据集由瑞士联邦理工学院（EPFL）和澳大利亚迪肯大学的研究人员创建，旨在为机器人抓取研究提供标准化实验实践，克服历史研究中依赖实验室 readily 可用物体的局限性。

当前挑战

该数据集在构建过程中遇到的挑战包括：1) 实现真实机器人执行的抓取数据，而非仅依赖模拟或分析指标；2) 考虑抓取稳定性，即在初始抓取成功后，抓取物体在外部扰动下的稳定性；3) 数据集规模相对较小，但提供了独特的6自由度抓取姿态和稳定性标签，弥补了现有抓取数据集的不足。

常用场景

经典使用场景

Supermarket-6DoF数据集包含1500个抓取尝试，覆盖20个超市物品，每个物品都有公开的3D模型。该数据集的特色在于提供了完整的6-DoF抓取姿态，使得多样的抓取策略成为可能。在抓取成功预测任务中，该数据集被用于训练和评估神经网络模型，以识别给定的抓取姿态是否能够成功抓取物体。

解决学术问题

该数据集解决了现有抓取数据集在真实世界抓取姿态标注不足的问题，同时提供了抓取稳定性的评估，这对于理解和改进机器人抓取算法至关重要。通过分析抓取姿态表示对抓取成功预测的影响，该数据集揭示了抓取姿态显式建模的重要性。

实际应用

Supermarket-6DoF数据集的实际应用场景包括机器人抓取算法的开发和评估，特别是在需要精确抓取姿态和稳定性的复杂操作中。该数据集为机器人抓取算法提供了丰富的实验基础，有助于推动机器人抓取技术的实用化和普及化。

数据集最近研究

最新研究方向

Supermarket-6DoF数据集的最新研究方向关注于6自由度抓取姿态的标注和抓取成功预测。该数据集通过物理机器人执行抓取动作，提供了真实的抓取结果和稳定性标签，弥补了现有抓取数据集的不足。研究结果显示，抓取姿态的表示方法对抓取成功预测的准确性有显著影响，其中将抓取器建模为点云的方法取得了最高的预测准确度。这些研究为开发能够在实际操作任务中处理复杂抓取情景的稳健抓取算法提供了基础。

相关研究论文

• Supermarket-6DoF: A Real-World Grasping Dataset and Grasp Pose Representation Analysis

  瑞士联邦理工学院（EPFL）, 澳大利亚迪肯大学 · 2025年