基于卷积神经网络的抓取框检测方法

服务型机器人抓取的难点在于物体形状不规则、物体位姿随机性以及背景环境复杂。针对此问题,提出一种基于卷积神经网络的机器人抓取方法。该方法以深度图信息作为输入,采用轻量级卷积神经网络将抓取质量、抓取方向和抓取角度映射为热图,根据质量热图中的峰值生成候选抓取框,并从中选取最优抓取框。为验证论文研究方法有效性,基于Cornell抓取数据集进行训练,使用IntelRealSenseD415i深度相机和UR5机械臂搭建实验平台,在真实场景下对随机摆放的物体进行抓取实验。对比试验表明,在Cornell数据集上的准确率和检测速度均有提高,分别达到88.2%和21.0 ms,对数据集之外的物体,抓取成功率达到86%。综上所述,该方法能够快速、精确地对多个物体分别生成抓取框,满足抓取任务的需要。