【摘要】：傳統(tǒng)的機(jī)器人抓取方法對(duì)于重復(fù)性的固定任務(wù)魯棒性很好,但是難以適用于那些需要機(jī)器人具備自學(xué)習(xí)能力的智能化控制場景。深度學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)技術(shù)的快速發(fā)展為機(jī)器人的智能化控制提供了新思路。近年來,國內(nèi)外學(xué)者對(duì)基于學(xué)習(xí)的機(jī)器人智能化控制技術(shù)進(jìn)行了大量的研究,但是,基于學(xué)習(xí)和視覺反饋的機(jī)器人端對(duì)端伺服控制仍舊是一個(gè)極具挑戰(zhàn)性的任務(wù)。本文基于深度卷積神經(jīng)網(wǎng)絡(luò)和自適應(yīng)協(xié)方差進(jìn)化策略算法(CMA-ES),實(shí)現(xiàn)了在單目視覺的情況下,對(duì)機(jī)器人抓取行為的端對(duì)端伺服控制。在伺服機(jī)制的控制下,機(jī)器人可以通過單目圖像的反饋連續(xù)地調(diào)整抓取姿態(tài),最終到達(dá)一個(gè)更好的抓取位置。首先,分析了伺服控制任務(wù)中的映射問題,基于殘差單元,搭建了一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò),以實(shí)現(xiàn)任務(wù)空間中單目圖像、運(yùn)動(dòng)指令到機(jī)器人抓取成功概率的映射,并對(duì)預(yù)測模型的時(shí)間復(fù)雜度和空間復(fù)雜進(jìn)行了分析。訓(xùn)練后該預(yù)測網(wǎng)絡(luò)能為機(jī)器人姿態(tài)的調(diào)整提供啟發(fā)性的反饋信號(hào)。其次,為了訓(xùn)練抓取成功概率預(yù)測模型,搭建了基于視覺的機(jī)器人實(shí)驗(yàn)平臺(tái),設(shè)計(jì)了訓(xùn)練數(shù)據(jù)的采集實(shí)驗(yàn),并讓機(jī)器人在3個(gè)多月的時(shí)間內(nèi)進(jìn)行了4萬多次的抓取嘗試,總共采集了18萬個(gè)訓(xùn)練樣本;通過使用帶權(quán)重的交叉熵?fù)p失函數(shù)和多個(gè)性能評(píng)價(jià)指標(biāo),解決了正負(fù)樣本嚴(yán)重不平衡的情況下預(yù)測模型的訓(xùn)練難題;基于GBP算法對(duì)訓(xùn)練后的預(yù)測模型進(jìn)行了可視化分析。然后,將搜索最優(yōu)運(yùn)動(dòng)指令的過程建模成一個(gè)帶限制條件的黑箱優(yōu)化問題,基于CMA-ES算法和訓(xùn)練后的預(yù)測模型,提出了最優(yōu)運(yùn)動(dòng)指令的搜索算法;通過一個(gè)決策規(guī)則的引入,解決了機(jī)器人在當(dāng)前狀態(tài)下是執(zhí)行最優(yōu)運(yùn)動(dòng)指令進(jìn)行姿態(tài)調(diào)整還是在當(dāng)前位置進(jìn)行抓取的決策問題,實(shí)現(xiàn)了對(duì)機(jī)器人連續(xù)地伺服控制。最后,基于提出的算法建立了一個(gè)機(jī)器人抓取系統(tǒng),并設(shè)計(jì)了實(shí)驗(yàn)評(píng)估方案。實(shí)驗(yàn)結(jié)果表明,系統(tǒng)對(duì)于訓(xùn)練集中的物體能達(dá)到70%多的抓取成功率。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP183;TP242

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

本文編號(hào)：2730106