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。     

机械臂逆运动学算法推导与实验研究

针对求解机器人操作臂逆运动学问题,在D-H方法基础上,针对所设计的排爆机械臂的机械结构,提出一种简化实用的机械臂解析运动学模型,通过该运动学模型求取逆运动学方程,从而实现在控制系统中的实时计算.最后,进行机器人手臂抓取的仿真实验及把该算法模型应用于机器人的轨迹规划系统实物抓取实验.实验表明,采用该解析运动学模型能实现对目标物体的准确抓取.     

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。     

人手抓取运动轨迹研究

为更好的实现手部快速稳定抓取,避免虚拟环境中穿刺现象发生,以自动抓取思想为基础,将目标物体特征变量引入多指抓取进行运动轨迹的构建与验证。通过人手结构分析人指运动特征,提出了以目标物体尺寸和位置为变量的指尖运动轨迹模型;对手进行正逆向运动学分析求解,同时设定抓取规则保证抓取的稳定性;基于SolidWorks和MATLAB对指尖运动轨迹模型仿真分析,并通过抓取实例验证,仿真结果正确反映了人手抓取的特征,验证了该方法的有效性。     

仿鸟喙微型气动软体机械手爪的设计及优化

为实现微型易碎、不规则物体的稳定抓取,结合软体材料的柔顺性和鸟喙结构抓取的准确性,提出一种仿鸟喙微型气动软体机械手爪,该机械手爪不仅具有一般软体手爪良好的环境适应性,而且结构更加简洁,对微型物体尤其适用。利用Yeoh本构模型和Ansys软件,对手爪的弯曲特性做了有限元仿真,并根据仿真结果进行变壁厚和局部填充的优化。对优化后的手爪进行了弯曲特性、抓取力测试试验和适应性试验,验证了仿鸟喙微型气动软体机械手爪的可行性。     

基于深度卷积网络的多目标动态三维抓取位姿检测方法

在非结构化环境机器人抓取任务中,获取稳定可靠目标物体抓取位姿至关重要。本文提出了一种基于深度卷积网络的多目标动态三维抓取位姿检测方法。首先采用Faster R-CNN进行多目标动态检测,并提出稳定检测滤波器,抑制噪声与实时检测时的抖动;然后在提出深度目标适配器的基础上采用GG-CNN模型估算二维抓取位姿;进而融合目标检测结果、二维抓取位姿以及物体深度信息,重建目标物体点云,并计算三维抓取位姿;最后搭建机器人抓取平台,实验统计抓取成功率达到95.6%,验证了所提方法的可行性及有效性,克服了二维抓取位姿固定且单一的缺陷。     

基于傅里叶描述子的平面物体表征与抓取规划

针对传统抓取规划方法难以计算复杂轮廓物体、计算量大耗时长的弊端,以及基于深度学习的抓取规划方法物理模型简单、训练集制作耗时长的缺陷,提出了一种基于傅里叶描述子的平面物体表征及抓取规划方法。对物体进行图像采集和轮廓提取,将以散点形式表示的轮廓转化为傅里叶描述子,提取高阶项从而还原物体轮廓,构造了轮廓的参数方程。根据轮廓参数方程和接触点位置,使用不同接触模型构造抓取映射矩阵,采用凸包推进算法计算不同抓取位姿在力 力矩空间上的抓取性能指标。基于抓取性能指标,采用一种改进的粒子群方法进行抓取点规划,在二指夹持器和四指夹持器模型上进行了仿真验证。     

面向任务和基于几何特征的机器人多指手抓取模式规划

针对机器人多指手自身的特点,通过分析人手的抓取特性,对其可能具有的抓取模式进行分类。考虑被抓取物体的几何特征和任务要求,采用基函数为高斯核函数的RBF神经网络来表示被抓物体的样本特征和抓取模式之间的复杂非线性映射。将抓取模式分为10类,对于新的被抓物体,利用训练好的神经网络自动生成抓取模式,并利用VC++/OpenGL建立了可视化仿真平台,进行了抓取模式分类仿真实验,结果表明对于新的物体,机器人可以选择适当的抓取模式进行抓取。     

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RGB图像的机械臂目标抓取位姿估计算法

针对抓取过程中目标物体部分被遮挡的问题，设计了一种基于多尺度特征融合的深度卷积神经网络提取3D目标的投影特征点，并根据不同投影特征点数采用不同的多点透视成像算法。网络使用计算机自动生成的合成数据进行训练，经过验证，使用合成数据训练的网络也能在真实场景中有效工作。最后，搭建了一个基于机器人操作系统的UR5机械臂抓取平台，将训练好的模型部署到该平台上进行抓取实验，结果表明所提方法能够估计出目标物体的位姿，并在实际场景中抓取位姿未知的物体。     

高适应性3指变位机械手爪的设计与研究

随着机器人在农业和物流等行业的广泛应用,抓取对象形状和体积呈多样化,对机器人的末端执行器即机械手爪的适应性提出更高要求。针对该问题,文中基于欠驱动的方式设计了一种具有高适应性功能的3指变位机械手爪。首先,建立3指机械手的三维模型,分析其平夹和包络抓取两种抓取模式;其次,对该结构进行力学分析包括弹簧的力学分析和手指的力学分析;最后,进行3指机械手样机加工研制和试验。试验结果表明：该机械手爪能够针对不同的物体实现稳定抓取,适应性高。     

仿人四指灵巧手的抓持能力分析

对四指仿人灵巧手的结构及单手指运动学及动力学进行了分析,为深入地研究该灵巧手的控制提供了理论依据。在ADAMS中进行了灵巧手抓取物体仿真实验,实时得到手指与抓取物体间的接触力值。并利用有限元方法分析了灵巧手在强力抓取时的手指结构的力学性能,验证了该灵巧手可以达到实现设计目标所要求的抓取载荷。为抓取实验提供了抓取物体重量的理论分析依据。     

灵巧机械手多指协调控制技术

根据抓取力封闭约束和力平衡约束条件,将多指精细抓取的力优化问题转换为非线性规划问题。对于非线性规划问题的求解,传统算法的实现一般需要编写相对复杂的程序,因此提出一种以序列二次规划算法为核心的fmincon函数对非线性规划问题进行快速求解的方法,并将该方法用Matlab软件予以实现;针对多指抓取的任务要求,提出一种试探性抓取并采用关节阻抗控制算法控制手指各指节与物体接触力的多指强力抓取方法,该方法简单且具有一定自主性。采用ADAMS仿真软件中生成的灵巧机械手控制模块在Simulink仿真环境中建立多指协调控制仿真系统,并以此对上述提出的方法进行算例验证。分析结果表明在精细抓取和强力抓取的不同任务要求下,灵巧机械手完成了对目标物体的稳定抓取,证明了所提方法的准确性。     

基于三维检测网络的机器人抓取方法

机器人抓取任务中面对的是不同形状和大小的物体,而散落在场景中的物体会有不同的姿态和位置,这对机器人抓取中计算物体位姿任务提出了较高的挑战。针对于此,本文设计了一种基于三维目标检测的机器人抓取方法,弥补了基于二维图像识别引导机器人抓取任务中对视角要求较高的缺陷。首先,设计了一种卷积神经网络在RGB图像中识别物体,并回归出物体三维包围盒、物体中心点;其次,提出一种计算机器人抓取物体最佳姿势的策略;最后,控制机器人进行抓取。在实际场景中,使用本文设计的三维检测网络,三维目标检测精度达到88%,抓取成功率达到94%。综上所述,本文设计的系统能有效找到机器人合适的抓取姿势,提高抓取成功率,满足更高的抓取任务要求。     

多模式绳牵引刚柔结合夹持器设计与分析

为了解决夹持器难以稳定夹持轮廓复杂的易损异形物体的问题，以提高夹持器的自适应性和保护抓取能力，设计了一种包括绳索驱动系统和柔性铰链结构的绳牵引刚柔结合夹持器。通过设计夹持器的绳索路径实现多种抓取模式之间的相互转换。在载荷平衡方程的基础上对两种抓取模式进行静力学建模，得到输入力与输出夹持力之间的力学模型，并通过数值仿真和物理试验验证力学模型的正确性与夹持器的抓取性能。最后，分别对不同几何形状和不同刚度的抓取目标进行抓取试验，验证了夹持器自适应保护抓取的能力。     

基于最大力螺旋多指手抓取规划

机器人多指手抓取物体时,为了保证抓取稳定性,必须对手指与被抓物体之间的接触位置进行合理的布局,寻求最佳的抓取位置.基于此,提出基于最大力螺旋的多指手抓取规划方法,将多指手可以平衡的最大外力螺旋作为评价规划的性能指标,建立力封闭约束条件下抓取位置与最大外力螺旋优化模型,并运用神经网络进行仿真,将该方法与基于广义力椭球方法进行比较.前者弥补了广义力椭球方法的局限性,可以清楚地描述多指手抓取位置与可平衡外力螺旋之间的对应关系,定量地描述被抓物体的稳定性程度,使得抓取规划的判断更直观、更具有实用性.     

基于柔性并联连续体的灵巧操作手的设计及分析

提出了一种新型4-DOF柔性并联连续体机构,将该机构与末端绳驱动的抓手相结合,设计完成具有灵活抓取性能的操作手。将该柔性机构通过柔性支链等效的方式等效为传统刚性连杆的并联机构,并且运用螺旋理论对该机构进行自由度分析;采用经典的Cosserat Rod模型对机构进行运动学建模;通过对比分析三种并联连续体机构的可操作度,4-DOF并联连续体机构由于具有一个额外的扭转自由度,使得操作手能够更加灵活地抓取物体,在此基础上给出了一组操作手抓取的仿真实例。最后通过试验验证机构自由度以及运动学模型的数值解,并且实现操作手灵活抓取的性能。     

基于静电场的抓取器研究

该文针对一些透气薄片物体，如纸、纤维织物等再生产过程中的单件搬运要求．对基于静电力的抓取器进行了深入研究。在对静电场进行合理构建的基础上，研制出了一种可以对薄片物体进行单件抓取和放置的抓取器。实验结果表明，该抓取器工作稳定，可以抓取纸张以及类似形状的物体。     

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。     

多关节欠驱动机器人手爪包络抓取稳定性分析与仿真

研究了欠驱动手爪包络抓取稳定性.定义了抓取构形,推导了关节数和抓取构形之间的关系,采用抓取构形之间的转移难度作为表征抓取稳定性测度指标,给出了抓取不稳的主要原因以及影响包络抓取稳定性的主要因素.通过仿真对抓取不同形状物体时的稳定性,及影响稳定性的主要因素进行了对比分析和验证.结果表明:理论分析和仿真研究结果是一致的,欠驱动手爪包络抓取时存在多种抓取构形是影响抓取稳定性的直接原因,稳定抓取取决于物体形状和初始的抓取姿态,其中物体凸边的线接触的长度是决定抓取稳定的最重要的因素,物体越是接近圆形稳定性越差,当物体和抓取构形比较吻合时,并且都是以线接触相互作用,抓取稳定性最好.