基于级联式Faster RCNN的三维目标最优抓取方法研究

机器人在三维目标识别和最优抓取方面的难点在于复杂的背景环境以及目标物体形状不规则,且要求机器人像人一样在识别不同三维目标的同时要确定该目标的最佳抓取部位的位姿。提出一种基于级联式模型的深度学习方法来识别目标物体及其最优抓取位姿。第1级提出了改进的Faster RCNN模型,该模型能识别成像小的目标物体,并能准确对其进行定位;第2级的Faster RCNN模型在前一级确定的目标物体上寻找该目标物体的最优抓取位姿,实现机器人的最优抓取。实验表明该方法能快速且准确地找到目标物体并确定其最优抓取位姿。

基于形封闭定量分析的最优抓取

把形封闭看作力封闭在无摩擦点接触约束下的一个特例，对形封闭和部分形封闭作了定量分析．探讨了外力旋量空间与任一接触点操作力空间之间的关系．定义了约束力集和法向力集，并根据两者之间的关系，从力分析的角度导出了形封闭和部分形封闭的充要条件．提出了以单向约束的满足程度作为衡量抓取性能的定量指标，并以实例说明如何根据线性规划最优解规划最优抓取．

基于深度学习的机器人最优抓取姿态检测方法

服务型机器人在抓取任务中面临的是非结构化的场景。由于物体放置方式的不固定以及其形状的不规则,难以准确计算出机器人的抓取姿态。针对此问题,提出一种双网络架构的机器人最优抓取姿态检测算法。首先,改进了YOLO V3目标检测模型,提升了模型的检测速度与小目标物体的识别性能;其次,利用卷积神经网络设计了多目标抓取检测网络,生成图像中目标物体的抓取区域。为了计算机器人的最优抓取姿态,建立了IOU区域评估算法,筛选出目标物体的最优抓取区域。实验结果表明,改进后的YOLO V3目标检测精度达到91%,多目标抓取检测精度达到86%,机器人最优抓取姿态检测精度达到90%以上。综上所述,所提方法能够高效、精确地计算出目标物体的最优抓取区域,满足抓取任务的要求。

基于柔性腕手的最优抓取规划研究

在食品自动化加工行业中,由于抓取对象具有软、脆、易损,尺寸、形状差异较大等特性,机器人多指手的抓取规划和稳定性问题尚未得到完善解决。为此,设计了一款柔性腕手,并提出了相应的最优抓取规划算法,以降低其抓取规划和控制的难度。首先,利用软体手指和仿人手掌的变掌机构研发了柔性腕手:基于变掌机构的构型变换,柔性腕手手指的工作空间以及抓取点位置发生变化,从而可抓取尺寸、形状差异较大的物体;基于软体手指的柔顺性,柔性腕手可抓取软、脆、易损的物体。然后,通过实际抓取分析,分别确定了柔性腕手利用四指、三指、二指抓取物体时的稳定性评价指标,提出了基于柔性腕手的最优抓取规划算法,并通过抓取算例验证了该算法的可行性。最后,制作了柔性腕手样机并搭建了相应的实验平台,选取8种不同的物体,演示了柔性腕手的构型变换,通过实验分析再次验证了基于柔性腕手的最优抓取规划算法的可行性。结果表明基于柔性腕手的最优抓取规划算法不仅能提高机器人多指手的适应性和抓取稳定性,而且能降低其抓取规划和控制的难度。研究结果为机器人多指手的应用提供了参考。

基于深度学习的机械臂抓取姿态估计实验设计

为高效准确估计出机械臂对未知物体抓取姿态,提出了一种基于深度学习的机械臂抓取姿态估计方法,并设计了相关实验。该方法将生成抓取卷积网络GGCNN与挤压激励(SE)网络模块相结合,提出基于注意力机制的生成抓取卷积网络SE-GGCNN模型,提高抓取姿态估计的准确率。在Cornell数据集和JACQUARD数据集上进行了比较性实验。结果表明,相比于基本的GGCNN模型,SE-GGCNN模型在保证实时性的同时,将IoU指标值由原先的76%提升至82%;对于数据集中未出现过的新对象具备很好的鲁棒性和自适应性;单张图片115 ms的检测用时表明所提出的方法适合实时应用,提升了未知物体抓取姿态估计的准确率。

多边形物体带摩擦抓取的最优规划算法

多指机械手抓取物体时,需要选取手指和物体的接触位置,最大限度地抑制外来扰动,实现稳定抓取。基于此,考虑n指抓取任意多边形的情况,将各方向上多指手可平衡的最大外力螺旋作为优化指标,提出一种满足力封闭条件的初始抓取位置规划算法。经过仔细分析原始力螺旋集合的特点和优化指标在力螺旋空间的几何意义和物理意义,构造线性规划算法来求取给定初始抓取位置下改进抓取性能的最优方向。从初始位置出发,提出一种不断向最优方向改进抓取性能,最后收敛到最优抓取位置的迭代算法。计算实例表明,初始抓取位置规划算法能获得性能较优的初始抓取位置,同时由于最优抓取位置迭代算法每步均在最优方向上作改进,因此算法迭代步数少,运行效率高,计算结果达到或接近全局最优指标。

基于金字塔形寻优的传送带动态抓取研究

针对自动化分选生产线中传送带抓取技术,提出基于金字塔形寻优法的动态最优抓取控制方案;把拦截技术和PID跟踪方法有机结合起来,有效地协调机器手抓取动作和传送带上物料的运动速度,提高了在实际工况中的动态抓取效率。

基于Keypoint RCNN改进模型的物体抓取检测算法

机器人抓取在工业中的应用有两个难点:如何准确地检测可抓取物体,以及如何从检测出的多个物体中选择最优抓取目标。本文在Keypoint RCNN模型中引入同方差不确定性学习各损失的权重,并在特征提取器中加入注意力模块,构成了Keypoint RCNN改进模型。基于改进模型提出了两阶段物体抓取检测算法,第一阶段用模型预测物体掩码和关键点,第二阶段用掩码和关键点计算物体的抓取描述和重合度,重合度表示抓取时的碰撞程度,根据重合度可以从多个可抓取物体中选择最优抓取目标。对照实验证明,相较原模型,Keypoint RCNN改进模型在目标检测、实例分割、关键点检测上的性能均有提高,在自建数据集上的平均精度分别为85.15%、79.66%、86.63%,机器人抓取实验证明抓取检测算法能够准确计算物体的抓取描述、选择最优抓取,引导机器人无碰撞地抓取目标。

基于新工科的移动机器人控制实验设计和教学实践

针对机器人工程专业四年级学生开设的移动机器人控制实验,循序渐进地设计了基于深度学习的移动机械手抓取实验项目。从激光雷达同时定位与建图、自主导航与实时避障,到借助ROS的通信机制完成语音控制导航以及物体识别与检测,构建深度学习网络生成最优抓取位姿,并利用MoveIt功能包控制机械臂完成抓取动作。实践教学表明,基于项目式实验教学模式有利于把大学阶段多门课程知识有机交叉融合,本教学方式可提高学生解决复杂工程问题的能力。

基于多层级特征的机械臂单阶段抓取位姿检测

针对机械臂对尺寸变换、形状各异、任意位姿的未知物体抓取,提出一种基于多层级特征的单阶段抓取位姿检测算法,将物体抓取位姿检测问题视为抓取角度分类和抓取位置回归进行处理,对抓取角度和抓取位置执行单次预测.首先,利用深度数据替换RGB图像的B通道,生成RGD图像,采用轻量型特征提取器VGG16作为主干网络;其次,针对VGG16特征提取能力较弱的问题,利用Inception模块设计一种特征提取能力更强的网络模型;再次,在不同层级的特征图上,利用先验框的方法进行抓取位置采样,通过浅层特征与深层特征的混合使用提高模型对尺寸多变的物体的适应能力;最后,输出置信度最高的检测结果作为最优抓取位姿.在image-wise数据集和object-wise数据集上,所提出算法的评估结果分别为95.71%和94.01%,检测速度为58.8 FPS,与现有方法相比,在精度和速度上均有明显的提升.

水下多指手研究现状

通过对国内外水下多指手研究进展的充分调研和总结,对水下多指手的现状和结构进行了综述,对影响水下多指手发展的密封与防腐技术、力感知技术、抓取最优规划技术及抓取力控制技术等关键技术进行了总结和分析,并展望其未来的发展趋势.