基于YOLOv5与迁移学习的目标检测和机械臂抓取位姿估计

针对传统机器学习算法视觉识别准确率低、运行时间缓慢等问题，研究针对家庭场景中机器人做家务的场景，利用RGB图像信息为输入，完成对目标物体的抓取位姿估计。以目标检测模型YOLOv5s为基础，利用其轻便、速度快的优点，结合数据增强以及迁移学习搭建网络架构，搭建家庭场景数据集；将少量训练样本进行数据增强后，利用迁移学习将模型在目标数据集上训练，同时微调参数，将目标物体的定位信息通过坐标变换转换为机械臂的抓取位姿，控制机械臂最终以固定抓取姿态完成抓取任务；最后，通过搭建实验平台，操纵UR5机械臂进行实际抓取实验，验证了算法的有效性。提出的基于目标检测的方法速度快、实时性高、误/漏识别率小于2%，应用在机械臂抓取上可以高效地完成任务。