Push-Grasp Policy Learning Using Equivariant Models and Grasp Score Optimization

📄 arXiv: 2504.03053v1 📥 PDF

作者: Boce Hu, Heng Tian, Dian Wang, Haojie Huang, Xupeng Zhu, Robin Walters, Robert Platt

分类: cs.RO

发布日期: 2025-04-03

💡 一句话要点

提出基于SE(2)等变性和抓取评分优化的推-抓策略网络，提升复杂环境下的抓取成功率。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 机器人抓取 推抓策略 等变网络 深度学习 目标导向 场景重排 抓取评分优化

📋 核心要点

  1. 现有方法在复杂杂乱环境中进行目标抓取时，由于遮挡问题，难以直接抓取目标物体。
  2. 论文提出Equivariant Push-Grasp Network，利用SE(2)等变性提升推和抓的性能，并采用抓取评分优化简化联合学习。
  3. 实验结果表明，该方法在模拟和真实环境中，抓取成功率分别提升了49%和35%，显著优于现有方法。

📝 摘要（中文）

本文针对杂乱环境中目标物体因遮挡难以直接抓取的问题，提出了一种结合推和抓策略的解决方案，通过主动重排场景来辅助目标抓取。现有方法通常忽略了任务中固有的几何结构，限制了其在复杂场景中的有效性。为此，我们提出了等变推-抓网络（Equivariant Push-Grasp Network），一个用于联合推和抓策略学习的新框架。我们的贡献包括：(1) 利用SE(2)-等变性来提高推和抓的性能；(2) 基于抓取评分优化的训练策略，简化了联合学习过程。实验结果表明，与强大的基线方法相比，我们的方法在模拟环境中抓取成功率提高了49%，在真实环境中提高了35%，代表了推-抓策略学习的显著进步。

🔬 方法详解

问题定义：论文旨在解决复杂杂乱环境中，由于物体遮挡导致机器人难以直接抓取目标物体的问题。现有方法在处理此类问题时，往往忽略了场景中固有的几何结构信息，导致在复杂场景下的抓取性能受限。这些方法难以有效地利用推的动作来主动改变场景布局，从而为抓取创造有利条件。

核心思路：论文的核心思路是利用场景的几何不变性，通过引入SE(2)等变性来提升推和抓策略的性能。同时，采用抓取评分优化策略，将联合学习问题分解为更易于处理的子问题，从而简化整个学习过程。通过推的动作来改变场景布局，使得目标物体更容易被抓取。

技术框架：整体框架包含两个主要模块：推策略网络和抓取策略网络。这两个网络共享一个底层特征提取器，该提取器负责从场景的深度图像中提取特征。推策略网络预测一个推的动作，该动作旨在将遮挡物体移开。抓取策略网络则根据当前场景的图像，预测一个抓取动作。整个流程是先执行推的动作，然后执行抓取动作。

关键创新：论文的关键创新在于引入了SE(2)等变性到推和抓策略的学习中。这意味着网络对于场景的旋转和平移具有不变性，从而能够更好地泛化到不同的场景和物体姿态。此外，抓取评分优化策略也是一个重要的创新，它将联合学习问题分解为两个独立的优化问题，从而简化了学习过程。

关键设计：论文使用了深度卷积神经网络作为特征提取器，并在此基础上构建了推和抓策略网络。损失函数包括推动作的奖励和抓取动作的奖励。抓取评分优化策略通过最大化抓取评分来训练抓取策略网络，同时通过最小化推动作对抓取评分的负面影响来训练推策略网络。SE(2)等变性通过在网络结构中引入等变层来实现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与现有方法相比，该方法在模拟环境中抓取成功率提高了49%，在真实环境中提高了35%。这些结果表明，该方法能够有效地利用场景的几何结构信息，并简化联合学习过程，从而显著提升了推-抓策略的性能。

🎯 应用场景

该研究成果可应用于自动化仓库拣选、家庭服务机器人、以及工业制造等领域。通过结合推和抓策略，机器人能够更好地处理复杂、杂乱的场景，提高物体抓取的成功率和效率。未来，该技术有望进一步扩展到更复杂的任务中，例如物体组装和拆卸。

📄 摘要（原文）

Goal-conditioned robotic grasping in cluttered environments remains a challenging problem due to occlusions caused by surrounding objects, which prevent direct access to the target object. A promising solution to mitigate this issue is combining pushing and grasping policies, enabling active rearrangement of the scene to facilitate target retrieval. However, existing methods often overlook the rich geometric structures inherent in such tasks, thus limiting their effectiveness in complex, heavily cluttered scenarios. To address this, we propose the Equivariant Push-Grasp Network, a novel framework for joint pushing and grasping policy learning. Our contributions are twofold: (1) leveraging SE(2)-equivariance to improve both pushing and grasping performance and (2) a grasp score optimization-based training strategy that simplifies the joint learning process. Experimental results show that our method improves grasp success rates by 49% in simulation and by 35% in real-world scenarios compared to strong baselines, representing a significant advancement in push-grasp policy learning.