目前，在真實場景抓取物體的過程中，機械臂通常會配備攝像鏡頭，通過圖像識別來判斷物體的位置，從而調整機械臂的操作位置，但最大的難點在於如何控制機械臂的抓取力。英偉達提出的6-DoFGraspNet計算框架使機械臂能夠以更快的效率學習如何抓取空間中任何位置的物體。
根據6-DoFGraspNet操作框架的操作方式，機械臂可以通過圖像識別判斷空間中X、Y、Z軸(左右、前後、高度)的坐標，加上旋轉形成共6軸數據，從而可以更快速的判斷不同空間位置的物體，避免了物體發生變化後機械臂不得不重新學習判斷，使得工作效率變慢。
就英偉達而言，在這種計算框架的運行模式下，機械臂可以通過實時視覺判斷物體的位置，而借助基於粒子模擬計算技術的FleX評估模式，機械臂可以通過實測數據判斷物體的實際位置，甚至不需要事先進行深度學習和訓練。
另壹方面，對於機械臂抓取物體的部分也采用了抓取評估模式，使機械臂可以通過不同的力測試，從而評估出實際可以用來抓取物體的力，從而成功抓取物體，避免因用力過大而壓壞物體的情況發生。
這項技術可以通過模塊化應用於不同的場景，甚至可以與其他計算框架配合使用，讓機械臂以更精準的動作完成任務。
這種應用不僅可以使機械臂的操作更加精確，還可以減少機械臂應用於貨物分類等應用時對貨物不當損壞的問題，從而使無人商店、智能倉儲等應用更加普及。
[嵌入內容]
[嵌入內容]