该文针对透明物体的抓取问题,进行了机器人抓取综合性实验设计。提出了基于几何约束的透明物体深度补全算法,研究了基于Deep Learning的深度补全,利用语义分割图对输入数据进行预处理,联合表面法线和遮挡边缘作为几何约束来预测缺失的...该文针对透明物体的抓取问题,进行了机器人抓取综合性实验设计。提出了基于几何约束的透明物体深度补全算法,研究了基于Deep Learning的深度补全,利用语义分割图对输入数据进行预处理,联合表面法线和遮挡边缘作为几何约束来预测缺失的深度值;选取基于RGBD(red green blue depth map)信息融合的抓取检测网络GR_ConvNet对透明物体进行抓取检测。实验数据表明,TransLab算法体现出较好的抗干扰能力,能够很好地突显所有物体的形状和轮廓,利用补全后的深度图进行训练的模型精度更高。通过该实验设计能够帮助学生理解深度补全、语义分割等基本理论和方法,培养学生将理论联系实际的能力和对科学研究的兴趣。展开更多
采用独立化设计方法,将仿生手分为控制模块、手指模块、散热模块并进行单独设计,制作了集成化的仿生手,可以快捷地实现模块化手指的分离与组装。采用形状记忆合金丝作为驱动器,设计了可以实现驱动位移放大的凸轮结构,使S M A在驱动过程...采用独立化设计方法,将仿生手分为控制模块、手指模块、散热模块并进行单独设计,制作了集成化的仿生手,可以快捷地实现模块化手指的分离与组装。采用形状记忆合金丝作为驱动器,设计了可以实现驱动位移放大的凸轮结构,使S M A在驱动过程中的有效输出位移得到有效放大。在Matlab中对仿生手进行了运动空间仿真,并通过3 D打印制作了总质量为410 g的仿生手样机。采用温度反馈方式,提高了仿生手在不同温度环境中的响应能力以及对SMA的温度保护,对日常生活物品进行了抓取实验验证。结果表明,新型仿生手具有较大的抓取尺寸和抓取重量,具有拆装方便、控制简单、抓取稳定的优点,实现了控制与驱动的高度集成。展开更多
文摘该文针对透明物体的抓取问题,进行了机器人抓取综合性实验设计。提出了基于几何约束的透明物体深度补全算法,研究了基于Deep Learning的深度补全,利用语义分割图对输入数据进行预处理,联合表面法线和遮挡边缘作为几何约束来预测缺失的深度值;选取基于RGBD(red green blue depth map)信息融合的抓取检测网络GR_ConvNet对透明物体进行抓取检测。实验数据表明,TransLab算法体现出较好的抗干扰能力,能够很好地突显所有物体的形状和轮廓,利用补全后的深度图进行训练的模型精度更高。通过该实验设计能够帮助学生理解深度补全、语义分割等基本理论和方法,培养学生将理论联系实际的能力和对科学研究的兴趣。
文摘采用独立化设计方法,将仿生手分为控制模块、手指模块、散热模块并进行单独设计,制作了集成化的仿生手,可以快捷地实现模块化手指的分离与组装。采用形状记忆合金丝作为驱动器,设计了可以实现驱动位移放大的凸轮结构,使S M A在驱动过程中的有效输出位移得到有效放大。在Matlab中对仿生手进行了运动空间仿真,并通过3 D打印制作了总质量为410 g的仿生手样机。采用温度反馈方式,提高了仿生手在不同温度环境中的响应能力以及对SMA的温度保护,对日常生活物品进行了抓取实验验证。结果表明,新型仿生手具有较大的抓取尺寸和抓取重量,具有拆装方便、控制简单、抓取稳定的优点,实现了控制与驱动的高度集成。