智能获取装箱管状工件抓取位置的研究

机械手智能抓取工件时,工件抓取位置的获取是基于机器视觉精确装配的重点。针对环境较复杂的装箱管状工件的装配抓取环节,建立合理的机器视觉系统,利用正向照明系统对工件表面产生的反光直光条特征,提出了一种Gaussian拟合与Hough变换相结合的拟合算法。首先利用Gaussian拟合提取各光条法向上的中心坐标,然后将获取的坐标点集运用Hough变换进行拟合,最后根据获取的各光条中心线计算各工件的抓取位置。实验结果表明该方法能同时实现多条光条直线的拟合,又能抑制干扰点或噪声的影响,有效实现装箱工件抓取位置的智能获取。

基于RGB图像的二阶段机器人抓取位置检测方法

随着机械臂在越来越多的场合扮演着重要的角色,准确的抓取位置检测是整个机械臂系统顺利完成任务的关键,为此提出一种以整个图片为输入直接输出结果的端到端实时检测方案.物体的抓取点位置会影响到该物体的抓取角度,基于此给出了一种两阶段预测方案将这两个要素分开预测.首先,建立一个卷积神经网络预测物体的抓取点位置;然后,以抓取点位置为中心采集原图像中的一个方形区域.针对这一区域利用Canny算法以及Hough变换进行边缘提取和直线检测,并提出一种主方向提取算法,分析得到直线,进而确定物体的角度和抓取时平行夹持器张开的间距.抓取位置检测算法给出了基于RGB图像预测的较好准确率,神经网络与传统方法的结合使用也为以后的研究提供了参考.

基于CNN深度学习的机器人抓取位置检测方法

针对传统检测方法受到复杂环境和人工干预影响而导致检测精准度低的问题,提出了基于CNN深度学习的机器人抓取位置检测方法;根据CNN基本结构,研究基于CNN深度学习检测原理;按照切线斜率方向划分机器人抓取位置模板点,计算模板匹配距离,得到机器模板上匹配点到边缘坐标图像点中最近的距离;保持横纵坐标变量不变,观察映射图上坐标灰度值及匹配度函数分布情况;引入GA求解匹配方法,根据匹配流程,寻找最优解;分析彩色图像、深度图像的可抓取位置和不可抓取位置信息,并将其转化为符合CNN深度学习的数据格式,完成信息预处理;根据机器人抓取作业示意图,设计具体检测流程,并显示检测结果,由此完成机器人抓取位置检测;由实验结果可知,该方法检测精准度最高可达到0.988,能够应用到实际机器人抓取相关任务之中。

一种基于双目视觉传感器的遮挡目标期望抓取点识别与定位方法

在不确定性较高的室内复杂场景中,机器人常需识别遮挡物体并对其抓取。遮挡问题会导致抓取点预估位置脱离目标,产生位置漂移。针对该问题,本文提出一种基于双目视觉的遮挡目标抓取点识别与定位策略。采用基于期望位置模型的方法估计,以特征检测进行遮挡目标识别,并进行轮廓还原;根据期望抓取点模型,采集目标的期望抓取位置,构建位置模型库。将待检测目标与模型库匹配,提取双目视野中未遮挡区域的期望抓取点。实验表明本方法在复杂环境下具有较高的鲁棒性,抗干扰能力强,对遮挡目标具有较高的定位精度。

融合云计算的桁架机器人柔性分拣结构控制

传统控制技术在计算分拣结构期望力矩时,忽略了对从动臂执行力矩的补偿,导致末端最大跟随误差、夹持力超调量较大。为此,针对桁架机器人柔性分拣结构,本研究融合云计算过程设计了新的自动化控制技术。在采集工件图像后定位其实际位置,从而确定抓取点。然后通过云计算获得分拣结构抬起高度等参数,根据抓取点和放置点位置规划分拣结构运动轨迹,并计算作用在主动臂、从动臂、动平台上的期望力矩。最后通过力矩前馈控制器执行力矩前馈补偿,驱动机器人柔性分拣结构完成运动轨迹。在实验中,改变分拣结构末端运动速度和负载,结果表明:该技术减小了分拣结构末端最大跟随误差和夹持力超调量,提高了工件位置跟踪精度和抓取稳定性,保证了机器人对速度变化和负载变化的自适应性。