The rise of deep learning algorithms in academia has changed the area of robotic grasping. Before, methods involving analytical analysis and grasping modelling were the most common strategies. However, deep learning strategies have become recently more prevalent. They have presented incredible results in the last decade. However, they present disadvantages of their own. A major drawback is that they require large amounts of representative data to be trained on. For specific applications, a specific dataset with custom targets is required. But generating data for robotic grasping is not an easy task. It is more challenging than creating datasets for classification or object detection problems, since it requires lab experiments. Manual acquisition of this data can be time-consuming. In this context, the generation of synthetic data using rendering and simulation tools can be a viable solution. This strategy, on the other hand, also has its own set of problems. The most relevant is the reality gap, i.e. the intrinsic difference between reality and simulated data. There are a few techniques developed to mitigate this problem, such as domain randomization and photorealistic data. We provide a tool that allows the creation of datasets for robotic grasping for a configurable set of targets. We compare in a real life scenario a neural network trained on this custom dataset and compare results with the same network trained on a state-of-the-art dataset and show that our tool creates viable datasets that neural networks can be trained on and produce suitable results.

O advento de algoritmos de aprendizagem profunda mudou o panorama da área de preensão robótica. Se antes a área se focava em métodos analíticos e modelagem de preensão para planejar e analisar a qualidade de preensão de objetos, hoje esse encargo recaí sobre os algoritmos de inteligência artificial. Embora esses algoritmos tenham apresentado resultados surpreendentes na última década, eles também possuem desvantagens se comparados a técnicas de modelagem de preensão. A principal desvantagem é a necessidade de treinamento da rede em um conjunto de dados amplo e representativo do problema. Para aplicações especializadas, pode ser necessário um dataset customizado com objetos específicos. Mas a criação desses datasets não é uma tarefa fácil. Para a área de preensão robótica, a geração desses dados é mais complexa que a geração de conjuntos de dados para classificação e detecção de objetos, uma vez que requer experimentos em laboratórios. A obtenção desses dados de forma manual pode ser demorada e ser suscetível a erros. Nesse contexto, a geração de dados de forma artificial, por renderização de dados e simulação, se torna uma alternativa viável para geração de dados para treinamento de redes. Por sua vez, essa estratégia também apresenta os seus problemas. A principal entre elas é denominada de reality gap. Ou seja, é a diferença que existe em dados simulados e dados obtidos na realidade. Tentando mitigar esse efeito, foram elaboradas técnicas para compensar essa diferença. Abordagens relevantes nesse sentido são a geração de dados foto realísticos e a domain randomization. Nesse trabalho, é disponibilizada uma ferramenta para a criação de datasets de preensão robótica com a configuração de objetos. Foram realizados experimentos que comparam os resultados de uma rede neural treinada nesse dataset customizado com a mesma rede treinada em um dataset estado da arte em ambiente de laboratório. Os resultados demostram que a ferramenta é capaz de gerar datasets viáveis para o treinamento de redes neurais, e que elas produzem resultados viáveis.