Daohui Liu

I'd be happy to send you the dataset, if you still need it, just leave your email here so that I can sent it to you, or if you have...

I just uploaded it to Kaggle, check this link: https://kaggle.com/oneoneliu/cornell-grasp?utm_medium=social&utm_campaign=kaggle-dataset-share&utm_source=twitter

建议按照官网:[https://jacquard.liris.cnrs.fr/index.php](https://jacquard.liris.cnrs.fr/index.php)的说明发送邮件申请

> 你好我想问一下这个程序的最出设定是使用机械臂复现吗 我是直接在机械臂上复现的,没有做什么仿真,所以一开始上面有人提问baxter-pnp仿真我还以为他发错了就没回

**请问为什么制作标签的时候要取三分之一？** 假设我们要抓某个宽度为W的简单矩形平板物体 数据集中的标注的矩形宽度是抓取时的夹爪张开宽度W_g, W_g肯定是要大于物体的宽度W的, 否则就会发生碰撞 训练时生成的标注是对物体上的较好的可抓取区域进行标注指示, 假设这个区域的宽度是W_q, 那么W_q一般要小于W, 因为较好的抓取肯定是落在该物体较为中心的位置的 基于这个思想, W_q < W < W_g, 但是这三者之间的准确数值关系我们并不知道, 在GGCNN原论文中作者取W_q=W_g/3, 这个是可以调节的,如果你觉得其他参数更合适,应当更大些或者更小些都可以自己改 **为什么角度限制在-90到90?** 这个问题原论文4.1节中解释了,是为了消除编码角度的可能存在的不连续问题,同时这样的分布使得网络更容易学习 **最后一个问题:** 你这种验证方法不太合理,后处理函数里面用到了一个计算局部极大值的函数,正常网络预测出的参数映射图数值是离散的,以quality map为例,其值介于(0,1)之间,而手动生成的标注映射图中只有0和1两个值,我不知道这样计算局部极值的话结果会如何,你的问题可能是这个原因导致的,具体可以自行设计实验验证 关于标注生成的正确性,自己用matplotlib可视化看一下,对照一下坐标检查一下就可以了,建议不要用你这种方法验证.

抓取质量监督图指示了某个地方可抓不可抓的概率, 那么预测出来的结果就应当是网络认为对于物体上各处可抓不可抓的概率,我们当然要选择概率最高的地方作为抓取中心,但这种标注方法只有0,1,因此对于不同区域是没有倾向性的,所以你后面看结果会发现大部分的抓取位置并没有落在物体的中心, 我没有试过用其他的网络跑