一种基于流形的机械臂动作构型知识压缩表达方法

针对在机械臂分拣任务中,存在物体形状各异、大小不一、训练神经网络成本过高的问题,提出一种基于流形空间的机械臂快速分拣方法。通过自主设计的一款简易实验装置模拟代替机械臂进行实验。对高维数据进行压缩,结合三维快速凸包求解算法,对体积大小不同的同类物体的流形空间进行分割,以凸包形式将稳定性较高的点集包裹起来。实验结果表明,体积大小不同的同类物体的高稳定流形子空间是一致的。该方法可以通过对一种物体的流形子结构进行尺度放缩,得到不同大小的同类物体的高稳定分拣区域,用于生成高效、可靠的机械臂分拣任务中的6D位姿构型,以提高分拣作业的工作效率。

基于NanoNets的云端深度学习实验分析

针对工业生产应用深度学习方法难、成本高,尤其是难以解决机器人对复杂物体分拣的问题,提出一种结合云端在线深度学习与离线示教机器人的方法,完成对形态相似的目标物分拣。由高精度工业相机拍摄到的图片,一方面由图像软件分割、定位获取物体坐标,另一方面导入神经网络模型,利用迁移学习对目标进行识别分类,最终实现工业机器人智能分拣的目的。实验结果表明该策略具备良好的准确性和稳定性,减少了样本训练时间与投入成本。