复杂环境下机器人抓取目标位姿估计研究

发布时间：2021-02-04 23:38

　　在复杂的视觉识别环境中,对目标物体进行抓取操作是机器人领域中一个基本挑战。特别是在生活化场景下机器人抓取物体时,机器人对任意姿态放置的物体难以快速准确地识别目标并成功地抓取。因此,迫切需要提高机器人视觉目标识别和目标位姿估计能力,从而可使机器人准确地操作目标物体。传统的目标识别和位姿估计算法都依赖于人为设计特征算子提取相关特征信息,而且在复杂环境下难以针对所有情景设计出精确的特征算子。同时,基于模板匹配的传统位姿估计算法仅二维图像无法估计出物体位姿。因此,针对复杂场景下的目标识别和基于二维图像的位姿估计的研究对提高机器人的自主能力十分重要。与传统方法不同,以深度卷积神经网络为代表的数据驱动方法,通过自主学习相关特征映射,对目标任务的相关特征具有强大的表征能力。同时,卷积神经网络的同变性提高了其在复杂环境下识别目标的准确性。因此,本文基于深度卷积神经网络对目标物体的识别及位姿估计问题展开了一系列的研究:1、基于空洞卷积神经网络的目标分割研究。针对复杂场景中小目标物体的识别问题,本文利用空洞卷积在特征图中保留较为丰富的空间结构信息,建立了基于空洞卷积神经网络的目标分割网络模型。基于labe... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：98 页

【学位级别】：硕士

【部分图文】：

机器人自主抓取操作任务

法基于表现目标的表现特征描述进行目标中灰度阈值、区域、轮廓等视觉特征对图征描述[2]有方向梯度直方图特征（Histogra特征变换（Scale-invariant feature transform信息为目标构建特征描述子（Descriptor），别和分割，如图 1-3 所示。虽然传统图像分计算机视觉理解任务，但需要人为设计特求较高，仅在结构化环境下可达到预期的目标识别。而与传统图像分割方法相比，力，可从大量的数据中自主学习特征映射究进展，已成为现今计算机视觉领域的基高了深度卷积神经网络的技术。

华 中 科 技 大 学 硕 士 学 位 论 取不同尺度特征，增加多尺度输入的多层网络模型的训练难重复性较大且限制感受野的区域，使得模型训练效率较低。内存较大，导致基于图像块的图像分割算法十分依赖硬件的年，UC Berkeley 的 Lone 等人提出了全卷积神经网络al Network，FCN）[7]，去除了原有基于图像分类的卷积神经对图像像素进行密集预测。将全连接层转换为卷积层，FCN图，进行有效的端到端密集学习，如图 1-4 所示。卷积化模型自然而然地对目标分割这类密集问题进行推测，与基于图像图像输入至 FCN，网络的每个输出单元均有可用实际值，充，对网络的前向计算和反向传播进行积极地优化，大大地提这之后，有关于目标分割的绝大部分研究中都会采用 FCN 网

【参考文献】：
期刊论文
[1]基于深度卷积网络的目标检测综述[J]. 吴帅,徐勇,赵东宁.  模式识别与人工智能. 2018(04)



本文编号：3019119