當(dāng)前是一個智能化的時代,無論是對于傳統(tǒng)的工業(yè)機(jī)器人,還是對于目前技術(shù)并不太成熟的服務(wù)機(jī)器人,都提出了新的挑戰(zhàn)。而作為機(jī)器人的一項(xiàng)非常重要的能力,機(jī)器人的抓取及分類一直是國內(nèi)外研究的重點(diǎn)。物體種類的繁多,物體形狀的多變以及物體位姿的任意擺放,都對機(jī)器人的抓取及分類提出更高的要求。本文面對生活中常見物品分類及抓取,以Kinect v2相機(jī)為主要傳感器,重點(diǎn)研究建立抓取分類模型學(xué)習(xí)物體的三維局部特征,根據(jù)局部特征映射到機(jī)器人末端的抓取參數(shù);針對少量訓(xùn)練樣本的情況,研究和分析兩種經(jīng)典神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)進(jìn)行物品的分類,并且搭建了實(shí)驗(yàn)平臺進(jìn)行最終的驗(yàn)證。本文的工作主要包含了以下幾個方面:(1)為了實(shí)現(xiàn)生活中常見物體的識別和分類,研究和分析了兩種比較經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型VGG16和Inception-v3的遷移學(xué)習(xí)。分析公共的數(shù)據(jù)集,進(jìn)行一定的預(yù)處理,得到訓(xùn)練和測試所需要的數(shù)據(jù)集;針對原始數(shù)據(jù)集數(shù)量較少的問題,采用遷移學(xué)習(xí)的方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型;對比兩個模型在測試集上的測試結(jié)果,最終選取Inception-v3神經(jīng)網(wǎng)絡(luò)模型作為本文的物體分類模型;(2)為了獲得機(jī)器人末端執(zhí)行器的抓取參數(shù),研究了四種抓取...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖I-?AlexNet卷積神多網(wǎng)絡(luò)框架

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文2012年，AlexKrizhevsky等人[6]提出了一個大規(guī)模、有深度的卷積神經(jīng)網(wǎng)絡(luò)AlexNet，布局結(jié)構(gòu)相對簡單，主要包括5個卷積層、最大池化層、丟包dropout層，以及3個全連通層，如圖1-2所示，該結(jié)構(gòu)針對1000....

圖13R-CNN}/l4木識剔案纖

RossGirshick等人[9]對R-CNN進(jìn)行改進(jìn)，提出了FastR-CNN，如圖1-4解決了R-CNN的三個問題：（1）一張圖片中候選框之間有大量重疊，提取特征操作冗余，測試速度慢；（2）訓(xùn)練速度慢；（3）訓(xùn)練所需空間大。

圖I-fi實(shí)例目標(biāo)分匆!的MaskR-CNl}框契

對于物體識別與檢測，國內(nèi)很多學(xué)者也做了相關(guān)方面的研究。電子科技大[12]針對電商圖片，設(shè)計了一個基于組合物體組成部分的物體識別算法。了識別有多個部分組成的物體，而物體的這幾個部分可能連系并不是那這對于傳統(tǒng)的物體識別算法并不是很好地理解，所以他針對這種情況，利經(jīng)網(wǎng)絡(luò)進(jìn)行識別。同樣來....

圖1-10四種運(yùn)動基元

國內(nèi)也有許多關(guān)于機(jī)器人抓取相關(guān)的研究。韓崢等人[25]針對形態(tài)均不同的物體，將Kinect相機(jī)固定于桌面的正上方，利用深度信息的背景分出來目標(biāo)物體。為了獲取更加準(zhǔn)確的目標(biāo)輪廓，找到最大的深度值，并與較，得到目標(biāo)頂部的點(diǎn)。將目標(biāo)抓取點(diǎn)設(shè)置在目標(biāo)左側(cè)面的中心，以便實(shí)定的抓取。a)....

本文編號：3939265