基于视觉的机器人抓取系统设计

为提高流水线工件装配的自动化水平及柔性,设计了基于视觉的机器人抓取系统。在流水线工位上方安装机器视觉系统,采集工件图像,通过编制的图像处理程序,完成工件类型识别和定位,引导机器人手臂抓取物料并摆放至物料区,最后完成工件装配。系统实际运行中能够对流水线上任意摆放位置的不同工件进行抓取,同时精确完成不同工件的装配任务。结果表明,机器人抓取系统具有高抗干扰能力和较强的柔性,能够提升生产线的工作效率。

基于IPSO算法的机器人抓取系统刚度优化研究

微小型工业机器人以其强耦合性、可扩展性、高精度被广泛应用到各行业,然而大多数机器人以串联型为主,其结构弱刚度问题会导致机器人动作时产生振动从而影响整体稳定性。以服务型机器人为研究对象,为保证机器人结构刚度以及抓取物体过程的稳定性,对机器人整体结构刚度进行优化。对机器人进行运动学静态建模,利用刚度等效原理计算机器人关节刚度;在抓取位姿范围约束下,将机器人末端刚度椭球半轴长作为优化指标,采用改进粒子群算法(IPSO)对机器人在不同抓取位姿的刚度进行优化,并将结果与遗传算法、粒子群算法的优化结果进行对比;通过ANSYS有限元分析和实验对比机器人优化前后的末端变形量,结果表明:基于IPSO算法的机器人抓取系统刚度优化对提高机器人整体稳定性具有一定意义。

深度学习机器人抓取系统

针对传统人工示教机器人抓取系统智能化程度低、自适应性差、系统可移植性差等问题,提出一种基于深度学习的机器人抓取系统。搭建由UR3机械臂,Gigabyte Z370N WIFI嵌入式开发板,深度相机等组成的硬件系统,通过基于深度学习的目标检测获取目标物像素坐标,进行视觉系统的定位研究将像素坐标映射到世界坐标系并在ROS系统中进行机械臂建模与控制,完成对目标物的抓取。针对由于嵌入式硬件平台算力欠缺导致目标检测算法难以部署的问题,从目标检测精度、实时性两方面将工业界应用广泛的YOLO系列算法进行对比研究,探究基于深度学习的目标检测算法在算力欠缺的嵌入式机器人抓取系统中的应用。实验结果表明,基于计算机视觉的机器人抓取系统目标识别精度高,智能化程度和鲁棒性高,具有良好的可移植性,有一定的推广应用价值。

基于机器视觉的工业机器人抓取系统研究

工业机器人的出现加快了工业生产的效率,大大提高了工厂的生产力,工人只需操控工业机器人就可以保证产品的质量。因此本文将对于基于机器视觉的工业机器人抓取系统的研究做出一定的探讨。