EGAD! an Evolved Grasping Analysis Dataset for diversity and reproducibility in robotic manipulation

机器人抓取作为机器人操作的基础，近年来随着深度学习的发展，视觉引导的抓取算法取得了显著进步。代表性工作如Dex-Net、YCB对象集推动了模型训练和评估，但其对象多为简单几何形状或有限类别，难以应对实际复杂场景。传统数据集缺乏多样性，导致模型泛化能力不足。近年来，研究者开始尝试利用合成数据和演化算法生成多样化对象，以增强模型鲁棒性。尽管如此，缺乏统一的评估标准和可复现的测试对象，限制了研究的深入。本文提出的EGAD正是在此背景下，结合演化算法和预计算抓取姿态，旨在弥补现有数据集的不足，推动机器人自主操作的研究发展。

现有机器人抓取数据集在规模、复杂度和多样性方面存在明显不足，难以全面反映实际环境中的挑战。手工采集或有限模型难以满足深度学习模型对多样性和复杂度的需求，导致模型在实际应用中表现不佳。此外，缺乏标准化的评估对象和测试流程，使得不同研究之间难以进行公平比较。如何生成具有高形状复杂度和抓取难度的对象，成为提升机器人自主操作能力的关键问题。解决这一问题需要既能保证多样性，又能实现可控性和可复现性的方法。

本研究的创新点在于：1）引入MAP-Elites演化算法结合CPPNs编码，系统生成多样化的对象，确保形状复杂度和抓取难度的均衡分布；2）定义形状复杂度和抓取难度指标，量化对象的几何特征和操作难度；3）预计算百万级抓取姿态，支持快速训练和评估；4）提供标准化的评估对象集和测试协议，增强实验的可比性。这些创新极大丰富了机器人抓取的对象空间，为深度学习模型提供了更全面的训练和测试平台。

• �� 设计二维搜索空间：以形状复杂度和抓取难度为轴，离散化成格子。
• �� 对象编码：利用CPPNs生成三维网格模型，经过marching cubes转换为网格。
• �� 计算指标：采用信息熵衡量形状复杂度，利用Dex-Net采样计算抓取难度，使用拓扑匹配评估几何多样性。
• �� 演化过程：通过MAP-Elites算法，随机采样对象，进行变异和交叉，筛选出多样性最高的对象，填充搜索空间。
• �� 预计算抓取：利用Dex-Net分析器，为每个对象生成多达100个抗偶极抓取姿态，存储抓取质量。
• �� 数据集整理：筛选出2331个代表性对象，形成EGAD，提供mesh文件和Dex-Net格式支持。

采用EGAD评估集，使用GG-CNN进行视觉抓取测试，比较不同对象复杂度下的成功率。实验中，机器人在不同对象上进行20次抓取尝试，统计成功率。参数设置包括：每个对象采样100个抓取姿态，模型训练采用标准超参数。对比YCB和Dex-Net，验证EGAD在多样性和复杂度上的优势。通过分析成功率与对象难度的关系，揭示模型在高复杂度场景中的瓶颈，为未来优化提供依据。

EGAD包含2331个对象，覆盖空间达93%，比YCB和Dex-Net更丰富多样。模型在EGAD上的整体成功率为58%，明显优于传统数据集。复杂对象的成功率从69%降至40%，验证了数据集的难度。预计算的抓取姿态支持多场景应用，提升模型泛化能力。实验结果表明，丰富的对象多样性显著改善模型的鲁棒性，为未来深度学习算法提供了更强的训练基础。

该数据集适用于机器人自主操作、工业自动化、仓储物流等场景，支持模型训练、算法评估和系统调试。预计算抓取姿态可快速部署在不同机器人平台，提升实际应用效率。标准化的评估协议有助于行业内技术对比，加速机器人智能化发展。未来可结合多模态感知，拓展多物体、多动态环境中的应用潜力。

对象生成依赖于参数设定，可能无法涵盖所有实际复杂形状，存在偏差。预计算抓取姿态在静态环境中有效，但在动态或多物体交互中表现不足。模型对极端复杂或非刚性物体的适应性有限，需结合在线学习和适应机制进行改进。计算成本较高，未来需优化算法效率和多场景适应能力。