Galbot ha desarrollado un conjunto de datos a gran escala llamado DexGraspNet utilizando NVIDIA Isaac Sim, que incluye 1,32 millones de agarres de ShadowHand en 5355 objetos. Este conjunto de datos es dos órdenes de magnitud más grande que los conjuntos de datos anteriores, como Deep Differentiable Grasp, y ayuda a entrenar algoritmos para una manipulación más precisa de los robots.
Galbot utilizó NVIDIA Isaac Sim, una herramienta de simulación robusta, y un optimizador sumamente acelerado para crear agarres diversos y estables. Su nuevo enfoque, UniDexGrasp++, combinado con GeoCurriculum Learning y Geometry-Aware Iterative Generalist-Specialist Learning (GiGSL), ayuda a mejorar la generalización de las estrategias de agarre basadas en la visión.
DexGraspNet 2.0 de Galbot permite agarrar objetos con destreza en entornos desordenados, con una tasa de éxito del 90,70 % en situaciones del mundo real. Estos avances mejoran la capacidad de los robots humanoides para manipular objetos de manera eficiente, acercándolos a una destreza similar a la de los humanos.
Fuente
La publicación DexGraspNet: el conjunto de datos revolucionario de NVIDIA para el agarre diestro robótico apareció por primera vez en CoinBuzzFeed.
