發(fā)布時間：2021-01-16 02:50

　　深度學(xué)習(xí)技術(shù)的興起推動智能機(jī)器人市場不斷壯大,機(jī)器人與物理世界交互能力成為目前研究熱點(diǎn)。本課題立足機(jī)械手自主抓取,研究利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)物體表面抓取點(diǎn)生成的解決方案。本課題以場景的深度圖像作為輸入信息,采取“先采樣,后預(yù)測”的兩步走抓取生成方案。首先利用Laplace方法在深度圖像中提取物體邊緣像素點(diǎn),并利用對跖法生成抓取空間;然后基于重要性采樣方法從抓取空間中采樣獲得候選抓取集,最后利用訓(xùn)練好的抓取預(yù)測卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測候選集每個抓取的成功置信度,取其中極大者作為結(jié)果指導(dǎo)機(jī)器人完成抓取。為將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于抓取預(yù)測,本課題建立了基于卷積神經(jīng)網(wǎng)絡(luò)的抓取預(yù)測模型。將抓取預(yù)測問題抽象為深度學(xué)習(xí)中的分類問題,網(wǎng)絡(luò)輸出為某抓取點(diǎn)屬于成功抓取的置信度。本課題定義一組抓取為抓取中心坐標(biāo)和二指機(jī)械手開合方向的組合,以抓取中心像素坐標(biāo)為中心取32×32像素大小的深度圖像作為網(wǎng)絡(luò)的輸入信息,將網(wǎng)絡(luò)的輸出與標(biāo)簽數(shù)據(jù)的交叉熵距離和作為控制網(wǎng)絡(luò)訓(xùn)練的成本函數(shù),使網(wǎng)絡(luò)能夠提取深度圖像中的高級特征來學(xué)習(xí)深度圖像、抓取類別之間的關(guān)系,實(shí)現(xiàn)抓取預(yù)測。實(shí)際環(huán)境中由于相機(jī)裝配和機(jī)械臂運(yùn)動間隙等系統(tǒng)誤差的存在,在數(shù)據(jù)... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

抓取指標(biāo)是否具有魯棒性的實(shí)驗(yàn)效果（左圖為非魯棒性）

圖 1-10 康奈爾大學(xué)的雙級聯(lián)抓取評判模型美國卡耐基梅隆大學(xué)Pinto等人針對前人進(jìn)行深度網(wǎng)絡(luò)模型訓(xùn)練的數(shù)據(jù)集過小的問題，花費(fèi) 700h 獲取了 50K 數(shù)據(jù)集。同時提出了有一種從 RGB 圖像映射到多個角度抓取框的解決思路，將圖像的回歸問題轉(zhuǎn)化為 18-way 的分類問題[19]，如圖[20]

圖 1-12 華盛頓大學(xué)團(tuán)隊(duì)對于具有多抓取方式物體的抓取檢測哈爾濱工業(yè)大學(xué)李傳浩等人創(chuàng)新性的將 RGB 圖像和抓取角度作為輸入，種先采樣候選抓取集再分類的 GDN 抓取檢測網(wǎng)絡(luò)模型[23]，該網(wǎng)絡(luò)模型geNet 預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)，其在卡耐基梅隆大學(xué)抓


本文編號：2980011