Galbot hat mithilfe von NVIDIA Isaac Sim einen umfangreichen Datensatz namens DexGraspNet entwickelt, der 1,32 Millionen ShadowHand-Griffe von 5.355 Objekten enthält. Dieser Datensatz ist zwei Größenordnungen größer als frühere Datensätze wie Deep Differentiable Grasp und hilft beim Trainieren von Algorithmen für eine genauere Robotermanipulation.
Galbot verwendete NVIDIA Isaac Sim, ein robustes Simulationstool, und einen stark beschleunigten Optimierer, um vielfältige und stabile Griffe zu erstellen. Ihr neuer Ansatz, UniDexGrasp++, kombiniert mit GeoCurriculum Learning und Geometry-Aware Iterative Generalist-Specialist Learning (GiGSL), trägt dazu bei, die Generalisierbarkeit visueller Greifstrategien zu verbessern.
DexGraspNet 2.0 von Galbot ermöglicht geschicktes Greifen in unübersichtlichen Umgebungen mit einer Erfolgsquote von 90,70 % in realen Szenarien. Diese Fortschritte verbessern die Fähigkeit humanoider Roboter, Objekte effizient zu handhaben, und bringen sie der menschlichen Geschicklichkeit näher.
Quelle
<p>Der Beitrag „DexGraspNet: NVIDIAs revolutionärer Datensatz für geschicktes Robotergreifen“ erschien zuerst auf CoinBuzzFeed.</p>