發(fā)布時(shí)間：2023-11-12 13:03

　　工業(yè)機(jī)械臂作為國(guó)家工業(yè)自動(dòng)化發(fā)展的基礎(chǔ)核心裝備,在汽車(chē)制造、航空航天、3C家電和物流快遞等行業(yè)發(fā)揮著舉足輕重的作用。在智能制造浪潮背景下,未來(lái)工廠必定是高度智能化、信息化和人機(jī)協(xié)作共融,機(jī)械臂面臨的工作場(chǎng)景必定是動(dòng)態(tài)的、混雜和不確定的。然而,當(dāng)前機(jī)械臂在上述應(yīng)用場(chǎng)景中存在著智能主動(dòng)感知和安全自主交互能力不足,國(guó)內(nèi)外在相關(guān)研究方向上沒(méi)有可行的更好解決方案,仍存在著諸多關(guān)鍵問(wèn)題急需解決。本課題以工業(yè)機(jī)械臂為研究對(duì)象,圍繞其在混雜場(chǎng)景下自主避障動(dòng)態(tài)路徑規(guī)劃與多目標(biāo)視覺(jué)識(shí)別這一研究主線,逐步展開(kāi)機(jī)械臂動(dòng)態(tài)避障路徑規(guī)劃以及多目標(biāo)視覺(jué)識(shí)別和3D位姿估計(jì)的深入研究和探索,旨在為解決機(jī)械臂自主作業(yè)涉及的若干關(guān)鍵技術(shù)問(wèn)題提供新的思路和為工程產(chǎn)業(yè)化應(yīng)用提供實(shí)踐指導(dǎo)。針對(duì)現(xiàn)有快速搜索隨機(jī)樹(shù)(Rapidly-exploring Random Tree,RRT)規(guī)劃算法在動(dòng)態(tài)環(huán)境中不能夠很好地解決機(jī)械臂自主避障靜動(dòng)態(tài)路徑規(guī)劃問(wèn)題,提出了分別從節(jié)點(diǎn)拓展和軌跡優(yōu)化平滑兩方面改進(jìn)基本RRT算法的靜態(tài)避障路徑規(guī)劃方法Smoothly-RRT,提出了基于目標(biāo)方向改進(jìn)采樣函數(shù)的Bi-RRT-Star動(dòng)態(tài)路徑規(guī)劃算法,分別從...

【文章頁(yè)數(shù)】：129 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 相關(guān)問(wèn)題的國(guó)內(nèi)外研究現(xiàn)狀及分析
        1.2.1 機(jī)械臂動(dòng)態(tài)路徑規(guī)劃研究現(xiàn)狀
        1.2.2 多目標(biāo)識(shí)別和3D位姿估計(jì)研究現(xiàn)狀
        1.2.3 目前研究存在的問(wèn)題與不足
    1.3 本文的主要研究?jī)?nèi)容與章節(jié)安排
第2章 基于改進(jìn)RRT算法的機(jī)械臂動(dòng)態(tài)路徑規(guī)劃
    2.1 引言
    2.2 基于RGB-D視覺(jué)傳感器的全局場(chǎng)景三維重建
    2.3 基于改進(jìn)RRT算法機(jī)械臂靜態(tài)路徑規(guī)劃
        2.3.1 基本RRT算法
        2.3.2 節(jié)點(diǎn)拓展
        2.3.3 軌跡優(yōu)化
        2.3.4 靜態(tài)碰撞檢測(cè)
    2.4 基于改進(jìn)RRT算法機(jī)械臂動(dòng)態(tài)路徑規(guī)劃
        2.4.1 連接策略
        2.4.2 啟發(fā)密集采樣
        2.4.3 鄰接節(jié)點(diǎn)擴(kuò)展
        2.4.4 動(dòng)態(tài)碰撞檢測(cè)
    2.5 機(jī)械臂靜動(dòng)態(tài)避障路徑規(guī)劃仿真與實(shí)驗(yàn)
        2.5.1 靜態(tài)避障路徑規(guī)劃
        2.5.2 基于V-REP環(huán)境動(dòng)態(tài)障礙物仿真
        2.5.3 動(dòng)態(tài)避障路徑規(guī)劃
    2.6 本章小結(jié)
第3章 機(jī)械臂混雜場(chǎng)景大小多目標(biāo)識(shí)別與位姿估計(jì)
    3.1 引言
    3.2 視覺(jué)系統(tǒng)混合配置方法總體框架
    3.3 大目標(biāo)視覺(jué)識(shí)別與位姿估計(jì)
        3.3.1 離線目標(biāo)物的3D模型數(shù)據(jù)庫(kù)建立
        3.3.2 在線目標(biāo)識(shí)別與3D位姿估計(jì)
    3.4 小目標(biāo)視覺(jué)識(shí)別與位姿估計(jì)
        3.4.1 離線3D形狀模型生成
        3.4.2 在線模板匹配和位姿計(jì)算
    3.5 混雜大小多目標(biāo)位姿識(shí)別與分揀實(shí)驗(yàn)
        3.5.1 大目標(biāo)位姿識(shí)別
        3.5.2 小目標(biāo)位姿識(shí)別
        3.5.3 混雜大小多目標(biāo)識(shí)別分揀
    3.6 本章小結(jié)
第4章 機(jī)械臂基于單目視覺(jué)3D重建的微小目標(biāo)識(shí)別
    4.1 引言
    4.2 微小尺寸特征目標(biāo)識(shí)別與位姿估計(jì)方法
        4.2.1 混雜場(chǎng)景3D點(diǎn)云重建
        4.2.2 點(diǎn)云預(yù)處理與法向量估計(jì)
        4.2.3 特征描述子生成
        4.2.4 霍夫空間投票算法
        4.2.5 場(chǎng)景點(diǎn)云和模型點(diǎn)云初始匹配
        4.2.6 點(diǎn)云配準(zhǔn)與位姿估計(jì)
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 系統(tǒng)硬件組成
        4.3.2 3D混雜場(chǎng)景點(diǎn)云重建結(jié)果
        4.3.3 識(shí)別率和位姿估計(jì)精度比較
        4.3.4 Bin-picking無(wú)序分揀實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 機(jī)械臂混雜場(chǎng)景多目標(biāo)識(shí)別與動(dòng)態(tài)路徑規(guī)劃集成實(shí)驗(yàn)
    5.1 引言
    5.2 綜合實(shí)驗(yàn)硬件平臺(tái)
    5.3 作業(yè)任務(wù)描述與軟件算法模塊化集成
    5.4 三種類(lèi)型目標(biāo)零件的識(shí)別分揀與抓取避障
        5.4.1 大目標(biāo)管接頭識(shí)別
        5.4.2 平面類(lèi)零件識(shí)別
        5.4.3 小目標(biāo)螺栓識(shí)別
        5.4.4 三種類(lèi)型目標(biāo)零件抓取
        5.4.5 機(jī)械臂靜動(dòng)態(tài)避障路徑規(guī)劃
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的論文及其它成果
致謝
個(gè)人簡(jiǎn)歷



本文編號(hào)：3863208