Detect the Correct Grasp in Mugs Using 3D Local Features

Abstract

In this paper, the problem of grasping novel objects is considered. A new approach is suggested to predict the best grasp position from RGB-D images of mugs, specifically ones that are being seen for the first time through vision. In this work, by using surface normal and curvature as the local features of the 3D point cloud, we are able to use different machine learning models which can learn from these features to predict the graspable or the non-graspable position in a mug. Experimental evaluations show that these models are able to distinguish between the graspable part of a mug represented by the handle and other parts which considered as not-graspable. Keywords: Robots, Detection, Features, Machine-Learning, 3D-Model RESUMEN/ En este artículo, se considera el problema de captar objetos nuevos. Se sugiere un nuevo enfoque para predecir la mejor posición de agarre a partir de imágenes RGB-D de tazas, específicamente las que se ven por primera vez a través de la visión. En este trabajo, al usar la normalidad de la superficie y la curvatura como las características locales de la nube de puntos 3D, podemos usar diferentes modelos de aprendizaje automático que pueden aprender de estas características para predecir la posición comprensible o no en una taza. Las evaluaciones experimentales muestran que estos modelos pueden distinguir entre la parte agarrable de una taza representada por el asa y otras partes que se consideran no agarrables.