機器人智能抓取是實現(xiàn)機器人智能化的重要一環(huán)。由于待抓取物品形狀、尺度的多樣性以及環(huán)境因素的影響,抓取任務很難用準確的數(shù)學公式求解。以往的研究多是借助計算機視覺、機器學習等相關(guān)技術(shù),雖有一定的效果,但智能化程度還是較低。2012年后深度學習技術(shù)逐漸崛起,因為其良好的特征提取表現(xiàn)被應用在了各個領(lǐng)域,如醫(yī)學圖像、自動駕駛、數(shù)據(jù)分析等,近年來國外學者開始將這項技術(shù)應用到機器人抓取,并取得了一定的成果。深度學習要想取得良好的效果,需要大量的數(shù)據(jù)來訓練,雖然有學者指出預訓練的網(wǎng)絡(luò)對數(shù)據(jù)量要求小一些,但是對于機器人來說試驗的數(shù)據(jù)量還是很大,密集的動作可能造成機器人故障,所以近年來也有學者開始嘗試在虛擬環(huán)境中執(zhí)行大量試驗來收集數(shù)據(jù)。課題研究了相機標定原理,并完成了機器人的手眼標定。為了完成現(xiàn)場實驗,使用Kinect相機提供彩色圖和深度圖,在實驗之前標定了彩色攝像頭和紅外攝像頭以及兩者之間的相對位置關(guān)系。研究了兩種基于采樣的運動規(guī)劃算法—PRM和RRT,用來指導后續(xù)的機器人運動規(guī)劃。采用九點標定法標定了機械臂和Kinect的相對位置關(guān)系,結(jié)合深度圖可將彩色圖中的像素點轉(zhuǎn)換到機器人基坐標系下來指導機器人執(zhí)...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 項目研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀分析
    1.3 主要研究內(nèi)容
第2章 機器人抓取系統(tǒng)框架及手眼標定
    2.1 系統(tǒng)整體框架
    2.2 相機原理介紹
        2.2.1 相機模型
        2.2.2 坐標轉(zhuǎn)換
        2.2.3 相機標定原理
        2.2.4 Kinect相機標定
    2.3 基于采樣的機械臂運動規(guī)劃
        2.3.1 PRM算法
        2.3.2 RRT算法
    2.4 機械臂手眼標定
    2.5 本章小結(jié)
第3章 基于VREP的抓取仿真建模與樣例生成
    3.1 仿真環(huán)境框架
    3.2 仿真環(huán)境中的三個要素
        3.2.1 物體建模
        3.2.2 機械臂建模
        3.2.3 深度相機建模
    3.3 虛擬抓取數(shù)據(jù)收集框架
        3.3.1 基于深度圖的隨機抓取位姿生成方法
        3.3.2 模型抓取試驗設(shè)計
    3.4 本章小結(jié)
第4章 基于深度學習的目標抓取位姿檢測
    4.1 深度學習的基本原理
        4.1.1 感知機模型
        4.1.2 卷積神經(jīng)網(wǎng)絡(luò)
    4.2 抓取目標檢測
    4.3 抓取網(wǎng)絡(luò)的相關(guān)介紹
    4.4 用于抓取位姿識別的網(wǎng)絡(luò)實現(xiàn)流程
    4.5 本章小結(jié)
第5章 機器人抓取驗證實驗
    5.1 實驗準備
        5.1.1 機械臂及機械爪簡介
        5.1.2 Kinect V2簡介
        5.1.3 現(xiàn)實場景的手眼標定
    5.2 實驗流程
    5.3 實驗效果分析
    5.4 本章小結(jié)
結(jié)論
參考文獻
致謝



本文編號：3767904