近年來,隨著人類對智能化抓取機器人需求的不斷提升,基于人工智能算法的抓取機器人逐漸成為科研機構(gòu)和公司的熱門研究方向。本文設(shè)計了一套基于深度學習檢測算法的機器人抓取系統(tǒng),它能夠根據(jù)圖像判斷物體位置,并實現(xiàn)抓取和放置動作。主要工作包括:抓取機器人的運動學建模、基于單目視覺的目標位姿計算、基于深度學習的目標檢測和抓取機器人系統(tǒng)平臺搭建等。抓取機器人的運動學建模工作包括:建立了五自由度抓取機器人的DH運動學模型;采用幾何解法求解得到逆運動學公式;通過Matlab仿真驗證了正、逆運動學公式的正確性;根據(jù)機器人結(jié)構(gòu),分析了其有效的工作范圍�；趩文恳曈X的目標位姿計算工作包括:根據(jù)相機的成像原理建立了眼在手外的單目視覺系統(tǒng),得到了像素坐標系和世界坐標系的轉(zhuǎn)換關(guān)系;通過張正友標定法求解攝像頭內(nèi)部參數(shù);采用PNP算法對外部參數(shù)進行標定,從而彌補了場景變化對外參的影響;通過實驗驗證了基于單目視覺的位姿計算的準確性�；谏疃葘W習的目標檢測工作包括:采用基于深度學習的YOLO和Mask R-CNN算法訓練目標物體的模型,實現(xiàn)對目標物體的類別的識別和位置的判斷;比較以上兩個算法,得出YOLO適用于實時檢測場景,...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
    1.3 本課題主要內(nèi)容和章節(jié)安排
2 機器人運動學分析
    2.1 五自由度抓取機器人正運動學模型建立
        2.1.1 機器人關(guān)節(jié)描述
        2.1.2 五自由度抓取機器人正運動學模型建立
    2.2 逆運動學求解
        2.2.1 逆運動學公式求解
        2.2.2 確定機器人有效抓取工作空間
    2.3 本章小結(jié)
3 基于單目視覺的位置檢測
    3.1 坐標系轉(zhuǎn)換關(guān)系
    3.2 攝像機標定
    3.3 基于PNP算法的位置檢測
    3.4 位置檢測實驗
    3.5 本章小結(jié)
4 基于深度學習的物體檢測
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積層
        4.1.2 池化層
        4.1.3 激活函數(shù)
        4.1.4 損失函數(shù)
        4.1.5 反向傳播
    4.2 目標檢測算法介紹
        4.2.1 基于Mask R-CNN的目標檢測
        4.2.2 基于YOLO的目標檢測
    4.3 實驗環(huán)境介紹及數(shù)據(jù)準備
        4.3.1 Pytorch深度學習框架
        4.3.2 樣本數(shù)據(jù)準備和分組
    4.4 檢測算法實驗及結(jié)果分析
        4.4.1 基于YOLO的目標物體檢測模型設(shè)計與實驗
        4.4.2 基于Mask R-CNN的目標物體檢測模型設(shè)計與實驗
        4.4.3 算法對比
    4.5 本章小結(jié)
5 實驗
    5.1 實驗系統(tǒng)搭建
        5.1.1 機械結(jié)構(gòu)介紹
        5.1.2 控制系統(tǒng)介紹
    5.2 下位機軟件設(shè)計
    5.3 上位機軟件設(shè)計
    5.4 實驗結(jié)果及分析
        5.4.1 簡單背景下的抓取實驗
        5.4.2 復(fù)雜背景下的抓取實驗
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻
致謝
作者簡歷及攻讀碩士學位期間的科研成果



本文編號：3836262