GRAB: A Systematic Real-World Grasping Benchmark for Robotic Food Waste Sorting
作者: Moniesha Thilakarathna, Xing Wang, Min Wang, David Hinwood, Shuangzhe Liu, Damith Herath
分类: cs.RO
发布日期: 2026-02-21
备注: 23 pages, 12 Figures, 3 Tables, submitted to Advanced Intelligent Systems Journal and under review
💡 一句话要点
GRAB：用于机器人食物垃圾分拣的系统性真实世界抓取基准
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人抓取 食物垃圾分拣 基准测试 可变形物体 预抓取条件
📋 核心要点
- 现有机器人抓取方法在食物垃圾分拣中面临挑战，主要由于污染物种类繁多、形状各异，且环境复杂。
- GRAB框架通过整合真实世界数据、可变形物体、先进视觉和预抓取条件，系统评估抓取性能。
- 大规模实验表明，物体质量是影响抓取性能的关键因素，视觉质量和环境杂乱程度也有一定影响。
📝 摘要（中文）
食物垃圾管理对可持续发展至关重要，但无机污染物阻碍了其回收潜力。机器人自动化通过自动去除污染物来加速分拣过程，为解决这一挑战提供了一种引人注目的方法。然而，污染物多样且不可预测的性质给机器人抓取带来了重大挑战。基准测试框架对于从各个角度评估挑战至关重要。然而，现有的协议依赖于有限的模拟数据集，优先考虑诸如成功率之类的简单指标，并且忽略了与物体和环境相关的关键预抓取条件。本文介绍了一种全面的抓取真实世界物品基准框架GRAB，它通过整合各种可变形物体、先进的抓取姿态估计视觉，以及重要的预抓取条件，建立了一套关键的可抓取性指标来解决这一差距。它通过涉及四个高保真场景中1750次食物污染物抓取尝试的深入实验评估，系统地比较了工业抓取方式。这项大规模评估为食物垃圾分拣提供了对抓取性能的广泛评估，提供了以前的研究中很少探索的深度。结果揭示了不同的夹具优势和局限性，其中物体质量成为杂乱环境中主要的性能因素，而视觉质量和杂乱程度起着适度的作用。这些发现突出了重要的设计考虑因素，并强调了开发能够实现稳健的跨类别性能的多模态夹具技术的必要性，以实现有效的机器人食物垃圾分拣。
🔬 方法详解
问题定义：论文旨在解决机器人食物垃圾分拣中，由于污染物种类繁多、形态各异以及环境复杂等因素导致的机器人抓取难题。现有方法依赖于有限的模拟数据，评估指标单一，忽略了预抓取条件，难以有效评估真实场景下的抓取性能。
核心思路：论文的核心思路是构建一个全面的、基于真实世界数据的抓取基准测试框架GRAB，该框架能够系统地评估不同抓取方式在复杂环境下的性能，并考虑预抓取条件对抓取成功率的影响。通过大规模实验，分析不同因素对抓取性能的影响，为机器人食物垃圾分拣系统的设计提供指导。
技术框架：GRAB框架主要包含以下几个部分：1）多样化的可变形物体数据集，模拟食物垃圾中的各种污染物；2）先进的抓取姿态估计视觉系统，用于识别和定位目标物体；3）一套关键的可抓取性指标，用于评估抓取性能，包括成功率、抓取质量等；4）一套系统性的实验流程，用于评估不同抓取方式在不同场景下的性能。
关键创新：GRAB框架的关键创新在于：1）使用了真实世界的数据，更贴近实际应用场景；2）考虑了预抓取条件对抓取性能的影响，例如物体的位置、姿态、周围环境等；3）提出了一套全面的可抓取性指标，能够更准确地评估抓取性能。
关键设计：GRAB框架的关键设计包括：1）数据集的构建，需要收集各种类型的食物垃圾污染物，并进行标注；2）视觉系统的设计，需要能够准确识别和定位目标物体，并估计其姿态；3）实验流程的设计，需要控制各种变量，例如物体的种类、位置、姿态、周围环境等，以保证实验结果的可靠性。
🖼️ 关键图片
📊 实验亮点
论文通过1750次食物污染物抓取尝试，系统比较了不同工业抓取方式的性能。实验结果表明，物体质量是影响抓取性能的主要因素，视觉质量和环境杂乱程度也有一定影响。该研究为机器人食物垃圾分拣系统的设计提供了重要参考。
🎯 应用场景
该研究成果可应用于机器人食物垃圾分拣系统，提高分拣效率和准确性，减少人工成本。此外，该基准测试框架也可推广到其他领域的机器人抓取任务，例如工业自动化、物流等，为机器人抓取技术的发展提供参考。
📄 摘要（原文）
Food waste management is critical for sustainability, yet inorganic contaminants hinder recycling potential. Robotic automation presents a compelling approach to this challenge by accelerating the sorting process through automated contaminant removal. Still, the diverse and unpredictable nature of contaminants creates major challenges for robotic grasping. Benchmarking frameworks are critical for evaluating challenges from various perspectives. However, existing protocols rely on limited simulation datasets, prioritise simple metrics such as success rate, and overlook key object and environment-related pre-grasp conditions. This paper introduces GRAB, a comprehensive Grasping Real-World Article Benchmarking framework that addresses this gap by integrating diverse deformable objects, advanced grasp-pose-estimation vision, and, importantly, pre-grasp conditions, establishing a set of critical graspability metrics. It systematically compares industrial grasping modalities through an in-depth experimental evaluation involving 1,750 food contaminant grasp attempts across four high-fidelity scenes. This large-scale evaluation provides an extensive assessment of grasp performance for food waste sorting, offering a level of depth that has rarely been explored in previous studies. The results reveal distinct gripper strengths and limitations, with object quality emerging as the dominant performance factor in cluttered environments, while vision quality and clutter levels play moderate roles. These findings highlight essential design considerations and reinforce the necessity of developing multimodal gripper technologies capable of robust cross-category performance for effective robotic food waste sorting.