基于卷积神经网络的二指机械手抓取姿态生成研究
发布时间:2021-01-16 02:50
深度学习技术的兴起推动智能机器人市场不断壮大,机器人与物理世界交互能力成为目前研究热点。本课题立足机械手自主抓取,研究利用卷积神经网络实现物体表面抓取点生成的解决方案。本课题以场景的深度图像作为输入信息,采取“先采样,后预测”的两步走抓取生成方案。首先利用Laplace方法在深度图像中提取物体边缘像素点,并利用对跖法生成抓取空间;然后基于重要性采样方法从抓取空间中采样获得候选抓取集,最后利用训练好的抓取预测卷积神经网络模型预测候选集每个抓取的成功置信度,取其中极大者作为结果指导机器人完成抓取。为将卷积神经网络应用于抓取预测,本课题建立了基于卷积神经网络的抓取预测模型。将抓取预测问题抽象为深度学习中的分类问题,网络输出为某抓取点属于成功抓取的置信度。本课题定义一组抓取为抓取中心坐标和二指机械手开合方向的组合,以抓取中心像素坐标为中心取32×32像素大小的深度图像作为网络的输入信息,将网络的输出与标签数据的交叉熵距离和作为控制网络训练的成本函数,使网络能够提取深度图像中的高级特征来学习深度图像、抓取类别之间的关系,实现抓取预测。实际环境中由于相机装配和机械臂运动间隙等系统误差的存在,在数据...
【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】:80 页
【学位级别】:硕士
【部分图文】:
抓取指标是否具有鲁棒性的实验效果(左图为非鲁棒性)
图 1-10 康奈尔大学的双级联抓取评判模型美国卡耐基梅隆大学Pinto等人针对前人进行深度网络模型训练的数据集过小的问题,花费 700h 获取了 50K 数据集。同时提出了有一种从 RGB 图像映射到多个角度抓取框的解决思路,将图像的回归问题转化为 18-way 的分类问题[19],如图[20]
图 1-12 华盛顿大学团队对于具有多抓取方式物体的抓取检测哈尔滨工业大学李传浩等人创新性的将 RGB 图像和抓取角度作为输入,种先采样候选抓取集再分类的 GDN 抓取检测网络模型[23],该网络模型geNet 预训练的卷积神经网络模型进行迁移学习,其在卡耐基梅隆大学抓
本文编号:2980011
【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】:80 页
【学位级别】:硕士
【部分图文】:
抓取指标是否具有鲁棒性的实验效果(左图为非鲁棒性)
图 1-10 康奈尔大学的双级联抓取评判模型美国卡耐基梅隆大学Pinto等人针对前人进行深度网络模型训练的数据集过小的问题,花费 700h 获取了 50K 数据集。同时提出了有一种从 RGB 图像映射到多个角度抓取框的解决思路,将图像的回归问题转化为 18-way 的分类问题[19],如图[20]
图 1-12 华盛顿大学团队对于具有多抓取方式物体的抓取检测哈尔滨工业大学李传浩等人创新性的将 RGB 图像和抓取角度作为输入,种先采样候选抓取集再分类的 GDN 抓取检测网络模型[23],该网络模型geNet 预训练的卷积神经网络模型进行迁移学习,其在卡耐基梅隆大学抓
本文编号:2980011
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2980011.html