6-DoF Grasp Pose

• También llamado: 6-DoF grasp
• Categoría: Planning & manipulation › Manipulation
• Etiquetas: grasping, pose-estimation, point-clouds, manipulation, grasp-detection

La posición 3D y la orientación 3D completas de una pinza en las que debe cerrarse sobre un objeto, a diferencia de los agarres planares o desde arriba, que tienen menos parámetros libres.

Definición

Una pose de agarre 6-DoF (6-DoF grasp pose) especifica dónde debe estar una pinza cuando se cierra sobre un objeto: tres grados de libertad para la posición y tres para la orientación, que juntos forman un elemento de SE(3). Suele expresarse como la pose de un sistema de coordenadas de la pinza, a menudo en el centro entre las yemas de los dedos, respecto a la cámara, a la base del robot o al objeto. Para una pinza de mordazas paralelas, la descripción suele ampliarse con la apertura, y para manos multidedo con los ángulos de las articulaciones de los dedos, pero es la parte de 6 DoF la que permite a la pinza aproximarse desde cualquier dirección.

El término se usa sobre todo en contraste con representaciones de agarre de menor dimensión. El agarre basado en aprendizaje de los primeros tiempos predecía agarres planares, como rectángulos orientados en una imagen, que equivalen a una aproximación desde arriba con una posición, una profundidad y una rotación alrededor del eje vertical, unos cuatro grados de libertad. Bastan para objetos que yacen planos en un contenedor visto desde arriba, pero no permiten agarrar una taza por el lado, una botella tumbada en una estantería ni un objeto que sostiene una persona. Los métodos 6-DoF buscan en el espacio completo de direcciones de aproximación, lo que los hace más generales pero también más difíciles: el espacio es mayor, muchas poses candidatas chocan con el objeto o con la escena, y el resultado tiene que ser alcanzable por el brazo.

Los flujos 6-DoF típicos parten de una nube de puntos parcial. Los métodos basados en muestreo, como Grasp Pose Detection, proponen muchas poses de pinza mediante heurísticas geométricas como el contacto antipodal y después las puntúan con un clasificador aprendido. Los métodos generativos, como 6-DOF GraspNet, muestrean poses de agarre de una distribución aprendida y las refinan con un evaluador aprendido, mientras que Contact-GraspNet predice agarres anclados en puntos de superficie observados de una escena completa. Cada candidato se comprueba después frente a colisiones, se resuelve con cinemática inversa y se ejecuta con una pose de preagarre a poca distancia hacia atrás a lo largo del eje de aproximación, una aproximación en línea recta, el cierre y la elevación. Las convenciones de sistemas de coordenadas importan: las bibliotecas difieren en qué eje de la pinza es la dirección de aproximación y dónde está el origen del sistema de coordenadas, y un agarre de mordazas paralelas girado 180 grados alrededor de su eje de aproximación es físicamente el mismo agarre, lo que afecta tanto a las funciones de pérdida de entrenamiento como a la evaluación.

Por qué importa

La mayoría de los objetos reales no yacen planos en un contenedor. Las estanterías, las mesas, los entornos desordenados y los objetos que sostienen las personas exigen aproximarse desde direcciones distintas de la vertical hacia abajo, y las poses de agarre 6-DoF son la representación que hace posibles esos agarres. También son la interfaz común entre los detectores de agarre y los planificadores de movimiento.

Aplicaciones clave

• Recoger objetos de estanterías, mesas y escenas desordenadas
• Traspasos de humano a robot de objetos sostenidos en la mano de una persona
• Manipulación móvil en hogares y almacenes
• Agarrar objetos nunca vistos a partir de nubes de puntos parciales
• Generar conjuntos de datos de agarre en simulación para el aprendizaje

En la práctica

Un robot de cocina necesita coger una taza que está de pie con el asa orientada hacia el lado contrario. Una cámara de profundidad proporciona una nube de puntos parcial de la taza, y una red de agarre devuelve unos cientos de candidatos de agarre 6-DoF con puntuaciones. El software transforma los candidatos al sistema de coordenadas de la base del robot, descarta los que chocan con la mesa o con la escena y ejecuta la cinemática inversa sobre el resto, conservando los que son alcanzables sin acercarse a un límite articular. Para el mejor agarre, que se cierra sobre el borde desde el lado, el planificador se desplaza a una pose de preagarre 10 centímetros hacia atrás a lo largo del eje de aproximación de la pinza, se aproxima en línea recta, cierra la pinza y levanta. Un error inicial se atribuyó a que la biblioteca de agarre y la pinza del robot usaban ejes de aproximación distintos, y se corrigió con una rotación fija entre las dos convenciones de sistemas de coordenadas.

Ideas erróneas comunes

• Una pose de agarre 6-DoF basta para ejecutar un agarre — aún tiene que superar las comprobaciones de colisión, tener una solución de cinemática inversa y alcanzarse mediante una aproximación de preagarre razonable
• Los agarres desde arriba bastan para la mayoría de las tareas — funcionan para objetos que yacen planos en contenedores abiertos, pero las estanterías, las asas orientadas hacia un lado y los objetos que sostienen las personas necesitan direcciones de aproximación que un agarre desde arriba no puede ofrecer
• Todas las bibliotecas de agarre usan el mismo sistema de coordenadas de la pinza — el eje de aproximación y el origen del sistema de coordenadas difieren entre herramientas, y mezclar convenciones produce agarres erróneos sin dar aviso
• 'GraspNet' designa un solo método — 6-DOF GraspNet y el conjunto de datos y la línea base GraspNet-1Billion son trabajos distintos de grupos diferentes

Quién debería saberlo

• Ingenieros de manipulación y agarre
• Ingenieros de percepción que construyen sistemas de pick-and-place
• Investigadores de aprendizaje robótico que trabajan en detección de agarres
• Desarrolladores de manipulación móvil

Tecnologías relacionadas

• 6-DOF GraspNet
• Contact-GraspNet
• Grasp Pose Detection (GPD)
• MoveIt
• Open3D

Términos relacionados

• Grasp Planning
• Antipodal Grasp
• Grasp Quality Metric
• SE(3)
• Point Cloud
• 6D rotation representation

Proyectos relacionados

• LeRobot: HuggingFace ML library for real-world robotics in PyTorch
• Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
• NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
• OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
• Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
• OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments