SCALE AWARE NEURAL NETWORK FOR ROBOTIC GRASPING

It is recognized herein that current approaches to training deep neural networks to perform grasp computations lack capabilities and efficiencies related to determining grasps for diverse objects at different scales with different gripper configurations, among other shortcomings. An end-to end neural network model can be trained to that can accurately determine grasp candidates on diverse objects at different scales, for various different gripper configurations having different sizes. Il est reconnu ici que des approches actuelles pour entraîner des réseaux neuronaux profonds pour effectuer des calculs de préhension manquent de capacités et d'efficacités associées à une détermination de préhensions pour divers objets à différentes échelles avec différentes configurations de préhension, entre autres inconvénients. Selon l'invention, un modèle de réseau neuronal de bout en bout peut être entraîné pour déterminer avec précision des candidats de préhension sur divers objets à différentes échelles, pour diverses configurations de préhension différentes ayant des tailles différentes.