一种先验知识引导的基于二阶段渐进网络的自主抓取策略

针对未知不规则物体在堆叠场景下的抓取任务,提出一种基于二阶段渐进网络（two-stage progressive network,TSPN）的自主抓取方法．首先利用端对端策略获取全局可抓性分布,然后基于采样评估策略确定最优抓取配置．将以上2种策略融合,使得TSPN的结构更加精简,显著减少了需评估样本的数量,能够在保证泛化能力的同时提升抓取效率．为了加快抓取模型学习进程,引入一种先验知识引导的自监督学习策略,并利用220种不规则物体进行抓取学习．在仿真和真实环境下分别进行实验,结果表明该抓取模型适用于多物体、堆叠物体、未知不规则物体、物体位姿随机等多种抓取场景,其抓取准确率和探测速度较其他基准方法有明显提升．整个学习过程历时10天,结果表明使用先验知识引导的学习策略能显著加快学习进程．     

机器人多指手抓取中的规划问题

在机器人抓取系统中，一般认为需要４种规划器：即策略规划器，触觉规划器，轨迹规划抓取规划器，抓取规划器对成功抓取来说是非常重要的，在抓取规划器中，视觉模块用来把图象变换成物体的描述，接着用抓取模式选择模块把物体的描述换成一系列的控制信号，本文从最优抓取规划和基于专家系统的抓取规划这两个方面，着重从基于专家系统的抓取规划方面对当前机器人多指手抓取规划的研究现状及主要问题进行了深入地剖析。     

基于神经网络的工业机器人视觉抓取系统设计

针对机器人示教编程方法导致的工件位置固定、抓取效率低下的问题,研究神经网络在机器人视觉识别与抓取规划中的应用,建立了视觉引导方案,通过YOLOV5神经网络模型开发视觉识别系统,识别物体的种类,同时获取待抓取物体定位点坐标。提出了机器人六点手眼标定原理并进行标定实验,提出了针对俯视图为圆形或长方形物体的定位方法。最后针对3种物体进行了180次的抓取实验,实验的综合平均抓取成功率约为92.8%,验证了视觉识别和抓取机器人系统具备实际应用的可能性,有效提高了抓取效率。     

多目标背景下双目视觉深度信息优化研究及其实现

针对机器人领域应用视觉进行目标物体抓取问题,提出了一种针对多目标背景下,新的深度优化处理方法.通过设定一个阈值块,以遍历成块的深度信息用类似聚类的方法,提出目标物体的具体坐标,传递给机器人手臂,完成准确的抓取操作.依次介绍了双目视觉原理、摄像机标定、双目矫正和双目匹配等内容,以及呈现出原始的深度信息图以及优化后的深度信息图,比较它们的差距.最后在实验中给出了证明:此种深度信息优化方法能够有效的提高机器人抓取目标物体的成功率.最后,还在文章最后给出了下一步的研究方向.     

基于PVDF的三维力机器人触觉传感器的设计

当机器手抓取时物体受力信息检测是抓取过程顺利进行的基础,检测三维方向上的力便可充分反映物体的受力信息。当前用于抓取过程中三维力检测的触觉传感器还存在着一些不足,基于此,论文拟设计一种基于PVDF的三维力机器人触觉传感器。论文展示了传感器的结构设计,建立了压电薄膜及传感头结构的数学模型,设计了调理电路并对传感器进行测试和验证,结果表明该传感器能有效检测机器手抓取过程中的三维力信息。     

基于多约束条件的机器人抓取策略学习方法

针对机器人在多类别物体不同任务下的抓取决策问题,提出基于多约束条件的抓取策略学习方法.该方法以抓取对象特征和抓取任务属性为机器人抓取策略约束,通过映射人类抓取习惯规划抓取模式,并采用物体方向包围盒(OBB)建立机器人抓取规则,建立多约束条件的抓取模型.利用深度径向基(DRBF)网络模型结合减聚类算法(SCM)实现抓取策略的学习,两种算法的结合旨在提高学习鲁棒性与精确性.搭建以Refiex 1型灵巧手和AUBO六自由度机械臂组成的实验平台,对多类别物体进行抓取实验.实验结果表明,所提出方法使机器人有效学习到对多物体不同任务的最优抓取策略,具有良好的抓取决策能力.     

一种基于随动视觉的排爆机器人自主抓取系统

在传统基于固定视觉的排爆机器人抓取系统中,相机视觉易被遮挡且不能保证拍摄清晰度。基于随动视觉技术,提出一种将深度相机置于机械手末端并随机械手运动的排爆机器人自主抓取系统。利用深度相机计算目标物体的三维坐标,采用坐标转换方法将目标物体的位置坐标信息实时转换至机器人全局坐标系,并研究相机坐标系、机器人全局坐标系与末端执行器手爪工具坐标系三者的动态映射关系,实现排爆机器人的自主抓取。实验结果表明,与传统固定视觉方法相比,随动视觉方法可在误差2cm内,使得机器人机械手爪准确到达目标物体所在位置,且当机器人距离目标物体100cm~150cm时,抓取效果最佳。     

多臂空间机器人稳定抓取力分配和柔顺控制策略

针对影响多臂抓取稳定性的接触力不平衡和接触振动问题,提出多臂空间机器人力分配和柔顺控制策略.首先,分析满足多臂稳定抓取的力学条件,基于摩擦锥约束设计抓取力安全系数,并将其引入力优化模型进行抓取力分配,实现目标物体稳定抓取条件下受力最小;然后,分析抓取过渡过程的振动成因,设计基于动能消耗的末端输出力控制策略实现快速振动抑制和柔顺抓取;最后,设计机械臂末端控制律切换策略,一旦在抓取过渡过程中发生接触脱离可引导其快速返回物体表面.仿真结果表明,所提出方法提升了稳定抓取安全裕度,显著降低了机械臂末端的振动幅值、持续时间和接触力,提升了空间机器人多臂抓取目标操作的稳定性和柔顺性.     

基于柔性三维力触觉传感器的滑觉识别算法研究

针对智能机器人在软抓取过程中对三维力感知和滑觉识别的需求,本文以炭黑/碳纳米管为敏感材料,硅橡胶为基体,聚酰亚胺为柔性电极,设计了可以实现三维力感知的柔性触觉传感器;同时设计了一种可以实现滑觉识别的基于小波变换-相空间重构-支持向量机(DWT-PSR-SVM)的融合算法。针对机器人软抓取的实验结果表明,该传感器能够有效地检测三维力,通过所设计融合算法能识别在机器人抓取任务中的滑动状态和非滑动状态,可以进一步应用在机器人软抓取的工作中。     

基于深度神经网络的多指灵巧手抓取手势优化

基于深度神经网络模型,提出了一种适用于多指灵巧手的抓取手势优化方法。首先,在仿真环境下构建了一个抓取数据集,并在此基础上训练了一个卷积神经网络,依据目标物体单目视觉信息和多指灵巧手抓取位形来预测抓取质量函数,由此可以将多指灵巧手的抓取规划问题转化为使抓取质量最大化的优化问题,进一步,基于深度神经网络中的反向传播和梯度上升算法实现多指灵巧手抓取手势的迭代与优化。在仿真环境中,比较该网络和仿真平台对同一抓取位形的抓取质量评估结果,再利用所提出的优化方法对随机搜索到的初始手势进行优化,比较优化前后手势的力封闭指标。最后,在实际机器人平台上验证本文方法的优化效果,结果表明,本文方法对未知物体的抓取成功率在80%以上,对于失败的抓取,优化后成功的比例达到90%。