💻 computer science

2D and 3D Grasp Planners for the GET Asymmetrical Gripper

Dit artikel introduceert GET-2D-1.0 en GET-3D-1.0, twee grijplanners voor de asymmetrische grijper GET die respectievelijk 2D RGB-D- en 3D-meshgebaseerde benaderingen hanteren, waarbij aanzienlijke prestatieverbeteringen ten opzichte van baselines worden aangetoond, terwijl een afweging wordt benadrukt tussen de hoge snelheid van de 2D-methode en de marginale nauwkeurigheidswinst van de rekenkundig duurdere 3D-methode.

Oorspronkelijke auteurs: Andrew Goldberg, Ethan Ransing, Anton Kourakin, Cael Magner, Edward H. Adelson, Ken Goldberg

Gepubliceerd 2026-04-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrew Goldberg, Ethan Ransing, Anton Kourakin, Cael Magner, Edward H. Adelson, Ken Goldberg

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een robot voor die probeert een vreemd gevormd object op te pakken, zoals een speelgoedauto met een handvat of een steen met een gat erin. Decennialang waren robotgrijpers als standaardkeukentang: twee rechte, parallelle kaken die van tegenovergestelde kanten knijpen. Dit werkt prima voor simpele dozen, maar het is alsof je probeert een gladde zeepstok op te pakken met slechts twee vingers; als je probeert hem uit het midden op te tillen, draait hij en glijdt hij direct uit je greep.

Dit artikel introduceert een nieuw type robotgrijper, de GET-grijper, en twee "hersenen" (planners) die hem leren hoe hij dingen veilig kan vasthouden.

De nieuwe hand: de "asymmetrische grijper"

Stel je de oude robotgrijpers voor met twee identieke vingers. De nieuwe GET-grijper is anders. Hij heeft een V-vorm aan één kant (zoals een brede, open handpalm) en een enkele smalle vinger aan de andere kant.

De analogie: Stel je voor dat je probeert een moersleutel vast te houden. Als je twee platte vingers gebruikt, kan hij draaien. Maar als je een V-vormig wiegje aan de ene kant en een enkele vinger aan de andere kant gebruikt, wordt het object "vergrendeld" op zijn plaats. De V-vorm fungeert als een stabiliserende hefboom, waardoor het object niet kan draaien, zelfs niet als je het van de zijkant optilt. Dit ontwerp stelt de robot in staat om dingen vast te grijpen met drie contactpunten in plaats van slechts twee, waardoor de greep veel sterker en stabieler wordt.

De twee "hersenen" (planners)

Het artikel presenteert twee verschillende manieren om deze nieuwe hand te vertellen waar hij moet grijpen.

1. GET-2D-1.0: De "snelle schetskunstenaar"

Deze planner is als een snelle schetskunstenaar die naar een platte foto van een object kijkt.

Hoe het werkt: Hij neemt één foto van bovenaf (zoals een vogelperspectief), traceert de omtrek van het object en zet dit om in een eenvoudig veelhoek (een vorm gemaakt van rechte lijnen).
De strategie: Hij raadt niet zomaar. Hij gebruikt een speciale wiskundige truc (de Ferrari-Canny-metriek) om duizenden "wat-als"-scenario's te simuleren. Hij vraagt: "Als ik hier grijp, zal het object dan wegglijden als ik het schud?" Hij zoekt specifiek naar kansen om de smalle vinger in gaten te steken of de brede V-vorm tegen randen te laten rusten.
Het resultaat: Hij is ongelooflijk snel (minder dan een seconde) en is verrassend goed in het vinden van sterke grepen.

2. GET-3D-1.0: De "trage 3D-architect"

Deze planner is als een gedetailleerde architect die een 3D-model van het object bouwt.

Hoe het werkt: In plaats van alleen een platte omtrek, gebruikt hij een volledig 3D-mesh (een digitaal 3D-model) van het object. Hij schiet "lasers" (stralen) vanaf de vingers van de grijper om precies te zien waar ze het object in de 3D-ruimte zullen raken.
De strategie: Hij voert een veel nauwkeurigere berekening uit van hoe de vingers tegen de krommingen en hoeken van het object zullen drukken.
Het resultaat: Hij vindt iets betere grepen dan de 2D-versie, maar hij is zeer traag en doet er ongeveer 17 seconden over om één grijpactie te plannen.

De grote test: "Schudden en trekken"

Om te zien welke methode het beste werkte, onderwierpen de onderzoekers de robot aan een test met 10 verschillende lastige objecten (zoals een klimhouding, een rol tape en een versnellingsbak). Ze vergeleken hun nieuwe planners met een basis methode die gewoon probeert het object vast te grijpen op basis van zijn "omhullende doos" (een denkbeeldige rechthoek rond het object).

Ze gebruikten twee tests:

Het tillen: Kan het object worden opgetild zonder dat het valt?
Het schudden: De robot schudt het object hevig heen en weer om te zien of het wegglijdt.
Het trekken: Een krachtmeter meet hoe hard ze moeten trekken om het object uit de grijper te draaien.

Wat ze ontdekten

De 2D-planner (de snelle): Hij was een grote winnaar. In vergelijking met de basis "omhullende doos"-methode verbeterde hij de succespercentages met meer dan 40%. Hij was veel beter in het optillen van objecten, het doorstaan van de schudtest en het weerstaan van het eruit trekken. Het bewees dat je geen langzaam, complex 3D-model nodig hebt om een goede greep te krijgen; een slimme 2D-strategie werkt wonderen.
De 3D-planner (de trage): Hij was het meest succesvol, waarbij hij 100% van de objecten optilde en de schudtest 95% van de tijd doorstond. Omdat het echter 17 seconden duurt om na te denken, is hij niet praktisch voor een robot die snel moet bewegen.
De afweging: De 2D-planner is snel en bijna net zo goed als de 3D-versie. De 3D-planner is iets robuuster, maar te traag voor gebruik in real-time.

De conclusie

Het artikel toont aan dat robots door een nieuwe, slim gevormde hand (de asymmetrische GET-grijper) te combineren met een slimme, snelle planningsalgoritme (GET-2D-1.0), moeilijke, vreemd gevormde objecten veel betrouwbaarder kunnen oppakken dan voorheen. Het is alsof je upgradet van een onhandige tang naar een gespecialiseerd gereedschap dat precies weet hoe het een breekbaar of glad item moet omklemmen, terwijl het snel genoeg denkt om mee te komen met een drukke werkdag.

1. Probleemdefinitie

Traditionele industriële parallelle klemgrijpers maken doorgaans gebruik van symmetrische smalle kaken. Hoewel dit ontwerp mechanisch eenvoudig is, vertrouwt het op twee antipodale contactpunten, waardoor een draaias ontstaat met beperkte weerstand tegen externe koppel. Dit leidt tot instabiliteit bij het manipuleren van excentrische ladingen of bij het uitvoeren van taken die koppelweerstand vereisen (bijvoorbeeld vegen of tekenen). Omgekeerd verhogen symmetrische brede kaken de koppelweerstand, maar veroorzaken ze vaak onbedoelde botsingen en blokkeren ze het gezichtsveld voor bovenliggende vision-systemen.

De GET-gripper (Grasp Everything), geïntroduceerd door Burgess en Adelson (2025), adresseert deze beperkingen met een 1-DOF asymmetrisch ontwerp met een "twee-tegen-een" configuratie: een brede V-vormige kaak die een enkele smalle kaak tegenoverstaat. Deze geometrie maakt drie contactpunten mogelijk, waardoor een stabiliserende hefboomarm ontstaat tegen koppelverstoringen. Bestaande greepplanners (ontworpen voor symmetrische grijpers, zuignappen of multifingerhanden) benutten deze unieke geometrie echter niet. Het artikel heeft tot doel algoritmische planners specifiek voor de GET-gripper te ontwikkelen en te evalueren om de greeprobustheid te maximaliseren.

2. Methodologie

De auteurs stellen twee verschillende greepplanning-algoritmen voor: GET-2D-1.0 (snel, op afbeelding gebaseerd) en GET-3D-1.0 (precies, op mesh gebaseerd). Beide maken gebruik van Force Closure en de Ferrari-Canny-metriek (ε-afstand) om de kwaliteit van de greep te evalueren.

A. GET-2D-1.0 (2D Planner)

Invoer: Enkelvoudige RGB-D-afbeelding vanuit een aan de pols gemonteerde camera.
Pijplijn:
1. Segmentatie: Zet de afbeelding om naar een binaire masker via kleurdrempelwaarde.
2. Polygonbenadering: Extrahert contouren en vereenvoudigt deze tot een veelhoek met behulp van de Teh-Chin- en Ramer-Douglas-Peucker-algoritmen.
3. Streefstrategie: De grijper wordt gemodelleerd als drie cirkels (twee voor de brede kaak, één voor de smalle). De planner maakt gebruik van drie complementaire streefstrategieën:
  - Edge Sampler: Plaats de brede kaak loodrecht op veelhoekranden.
  - Vertex Sampler: Omvat veelhoekhoekpunten met de brede kaak.
  - Hole Sampler: Plaatst de smalle kaak in gaten binnen de veelhoek van het object.
4. Evaluatie: Kandidaten worden geëvalueerd door 2D-translatieperturbaties (Gaussisch ruis) te streeven. Metrieken (Force Closure Rate, aantal contactpunten en gemiddelde Ferrari-Canny-metriek) worden gemiddeld over de perturbaties om robuustheid te waarborgen.
Uitvoer: De hoogst gerangschikte greep $(p, \phi, z)$ .

B. GET-3D-1.0 (3D Planner)

Invoer: RGB-D-afbeelding + Vooraf opgenomen 3D-mesh van het object.
Pijplijn:
1. Uitlijning: Lijnt het mesh uit met de puntwolk met behulp van Iterative Closest Point (ICP).
2. Streef: Streeft willekeurig meshvlakken (gewogen naar oppervlakte) om de brede kaak te oriënteren.
3. Ray-Tracing: Schiet stralen vanuit de contactoppervlakken van de grijper om snijpunten met het mesh te bepalen.
4. Optimalisatie: Een optimizer past de rotatie van de grijper aan om het onbalans in contactafstanden tussen de twee vingers van de brede kaak te minimaliseren, waardoor een stabiel driepuntscontact wordt gewaarborgd.
5. Evaluatie: Vergelijkbaar met de 2D-planner, maar werkt in 3D-ruimte, waarbij force closure en Ferrari-Canny-metrieken op het mesh worden berekend.
Uitvoer: De optimale 6-DoF-greeppose.

3. Belangrijkste Bijdragen

GET-2D-1.0: Een snelle, enkelvoudige 2D-greepplanner die de unieke geometrie van de GET-gripper benut. Deze introduceert een nieuwe "Hole Sampler" om concaviteiten van objecten te benutten, wat standaard bounding-boxmethoden missen.
GET-3D-1.0: Een op mesh gebaseerde 3D-planner die efficiënt kandidaten streeft en ray-tracing en gradient descent gebruikt om contactbalans voor de asymmetrische grijper te optimaliseren.
Fysieke Validatie: Uitgebreide fysieke experimenten waarbij de voorgestelde planners worden vergeleken met een baseline (2D Bounding Box) met behulp van een UR5e-robotarm, waarbij aanzienlijke verbeteringen in hef-succes, schud-overleving en krachtwerstand worden aangetoond.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op 10 diverse objecten (inclusief moeilijk vast te grijpen items zoals rotsklimhoudingen en turbinebehuizingen) met behulp van een UR5e-robot met een Zed Mini dieptecamera.

Metrieken: Hefsucces (%), Schud-overleving (%) en Piekglijkracht (N).
Baseline-vergelijking (GET-2D-1.0 vs. 2D Bounding Box):
- Hefsucces: Verbeterd van 65% (Baseline) naar 95% (+46%).
- Schud-overleving: Verbeterd van 60% naar 90% (+50%).
- Krachtwerstand: Verbeterd van 2,50 N naar 3,95 N (+58%).
- Redenering: De baseline faalde bij het benutten van gaten in objecten (wat leidde tot overopenen) en slaagde er vaak niet in om alle drie de contactoppervlakken in te schakelen.
GET-3D-1.0 vs. GET-2D-1.0:
- Prestatie: GET-3D-1.0 behaalde 100% hefsucces en 95% schud-overleving, waarmee het de 2D-planner licht overtrof.
- Afweging: GET-3D-1.0 is aanzienlijk trager, met een gemiddelde van 17 seconden per plan, vergeleken met 683 ms voor GET-2D-1.0.
- Krachtwerstand: Opvallend genoeg behaalde GET-2D-1.0 een hogere gemiddelde glijkracht (3,95 N) dan GET-3D-1.0 (3,20 N), wat suggereert dat de streefstrategie van de 2D-planner robuustere grepen vond in de specifieke testset.

5. Betekenis en Conclusie

Dit werk overbrugt de kloof tussen het nieuwe hardwareontwerp van de GET-gripper en praktische robotmanipulatiesoftware.

Praktijktoepasbaarheid: GET-2D-1.0 biedt een bijna real-time oplossing (sub-seconde) die aanzienlijk beter presteert dan traditionele bounding-boxbenaderingen, waardoor het geschikt is voor dynamische industriële omgevingen.
Robuustheid: De asymmetrische geometrie, in combinatie met deze planners, biedt superieure koppelweerstand en stabiliteit in vergelijking met symmetrische grijpers.
Toekomstig Werk: De auteurs wijzen op beperkingen met betrekking tot zwarte objecten (segmentatieproblemen) en de rekentijd van de 3D-planner. Toekomstige richtingen omvatten het genereren van datasets voor op leren gebaseerde greepplanners om het proces verder te versnellen.

Kortom, het artikel toont aan dat door greepplanning-algoritmen af te stemmen op de specifieke asymmetrische geometrie van de GET-gripper, robots aanzienlijk hogere succespercentages en stabiliteit kunnen bereiken bij het manipuleren van complexe objecten in vergelijking met standaard symmetrische benaderingen.