基于深度学习的机械臂抓取位姿检测方法研究
发布时间：2021-08-03 06:32
智能化机器人作为全新的机器人形式,有望代替人类在未知环境中执行耗时、高强度和危险任务。搭载末端夹持器机械臂抓取技术研究面对结构化环境、单一已知目标的抓取已取得重大进展和应用。然而目前很多工作场景中环境未知、工作目标形态各异,且易受到环境光照变化、物体遮挡等影响,要求机器人抓取系统拥有较高的自主性和鲁棒性。本文利用深度学习技术强大的知识迁移和非线性拟合能力,对卷积神经网络在夹持器抓取位置和姿态检测上的应用进行探索。本论文深入研究机械臂抓取系统流程及抓取表示方法,基于卷积神经网络设计了两种机械臂抓取位姿自主检测方法,完成了面对未知环境、陌生目标的机械臂自主抓取流程,主要研究内容包括:首先,设计了机器人抓取场景和抓取流程,讨论了机械臂末端夹持器在三维场景中对物体的抓取位置和姿态在二维图像上的表示;其次,采用卷积神经网络完成对夹持器抓取位姿的端到端检测。设计了一个卷积网络模型,得到合适的物体抓取中心位置。随后基于抓取中心位置,采用启发式搜索方法得到抓取角度和夹持器张开宽度。在康奈尔数据集上进行了训练测试,得到了87.5%的抓取检测准确率。再次,针对以整幅图像作为输入的端到端方法,背景信息以及无...
【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】：65 页
【学位级别】：硕士
【部分图文】：
机器人应用示例
物体特征到夹持器抓取位姿的映射关系。其中一个方向是利用传统机器学习技术将特征进行分类。如JiangY[17]等人分类器采用支持向量机方法，特征选用空间直方图。J.Shotton[18]等人采用纹理特征对物体进行检测。Ferrari等人提出使用由k个连接的直线轮廓线段作为局部特征用于物体类检测[19]。人工提取特征的方法工作量大，且由于人类认知的局限性，人工提取特征的方法难以对特征进行更深入复杂的表示，通常只可以对特定场景下的特定任务有效，方法的泛化性不够强。a)使用空间直方图作为特征[17]b)kAS特征检测[19]图1-2传统特征识别方法强化学习作为机器学习方法的一种，通过根据环境变化来调整策略，从而完成预先设置的任务。依托于大量实际试验中传感器和动作执行结果的数据，强化学习方法可以直接学习到传感器到动作输出的控制策略。如图1-3所示，LerrelPinto[20]等人认为对抗性抓取训练可以帮助机械臂提升自主抓取能力。在700小时5万次抓取对抗过程中训练的AlexNet网络在实际抓取过程中能达到66%的成功率。DmitryKalashnikov[21]等人提出了一种可扩展自监督学习方法(QT-Opt)。该方法采集数据训练了一个深度强化的Q函数并用其对抓取位姿进行评估。实验中采用多个机器人同时对抓取任务进行训练，在训练了58万步
哈尔滨工业大学工学硕士学位论文-4-后对陌生物体的抓取成功率达到了96%。基于强化学习的抓取方法缺点是需要大量数据进行训练，且当外界环境和抓取任务发生变化时，要求系统重新学习相应的机器人抓取策略，这无疑大大限制了强化学习抓取策略在实际工业中的可应用范围。a)左右互搏方式训练机械臂抓取[20]b)多机械臂训练QT-Opt[21]图1-3强化学习算法训练机械臂抓取1.2.2基于深度学习的机器人抓取检测方法研究现状深度学习方法通过大量图片数据集(dataset)训练一个映射模型(model)，通过该模型可将图像数据映射到一个或多个抓取位姿表示。利用卷积神经的特征学习和表达能力，能提取到图像的更深层特征，使得基于卷积神经网络的抓取方法拥有较好的泛化能力。如图1-4所示，康奈尔大学的Lenz[22]等人设计了一个以RGBD图像为输入的两级级联神经网络用于机器人抓龋该方法以滑动窗口的方式对整个图像进行采样，得到若干个候选抓取框。利用SAE提取抓取框内图像特征后，通过第一个较小的神经网络筛选出具有较大概率的目标位置，随后通过第二个较大的神经网络选取最优的抓取位置。与之类似的是仲训杲[23]等人的方法，不同的是仲等人采用DAE作为特征提取器。图1-4Lenz级联神经网络抓取[22]华盛顿大学的Redmon[24]等人将目标检测的one-stage思想引入抓取检测问题中，输入RGB图片后经过AlexNet模型直接输出抓取框的位置。Redmon
【参考文献】：
期刊论文
[1]达芬奇机器人直肠癌根治术的现状和发展[J]. 许剑民,常文举,鉴谧. 中华普外科手术学杂志(电子版). 2020(01)
[2]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[3]浅析家庭型服务机器人的发展前景[J]. 袁政华,夏雪. 信息记录材料. 2019(07)
[4]基于级联卷积神经网络的机器人平面抓取位姿快速检测[J]. 夏晶,钱堃,马旭东,刘环. 机器人. 2018(06)
[5]基于三级卷积神经网络的物体抓取检测[J]. 喻群超,尚伟伟,张驰. 机器人. 2018(05)
[6]基于深度学习的机器人抓取位置检测方法[J]. 闫哲,杜学丹,曹淼,蔡莹皓,鲁涛,王硕. 高技术通讯. 2018(01)
[7]基于多模特征深度学习的机器人抓取判别方法[J]. 仲训杲,徐敏,仲训昱,彭侠夫. 自动化学报. 2016(07)
[8]基于滑动窗口的遥感图像人造目标检测算法[J]. 李玲玲,刘永进,王自桦,金泰松. 厦门大学学报(自然科学版). 2014(06)
[9]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[10]我国家庭服务机器人产业发展现状调研报告[J]. 徐方,张希伟,杜振军. 机器人技术与应用. 2009(02)
硕士论文
[1]基于深度学习的机器人抓取位置检测[D]. 赵铎.中国科学技术大学 2019
本文编号：3319133
【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】：65 页
【学位级别】：硕士
【部分图文】：
机器人应用示例
物体特征到夹持器抓取位姿的映射关系。其中一个方向是利用传统机器学习技术将特征进行分类。如JiangY[17]等人分类器采用支持向量机方法，特征选用空间直方图。J.Shotton[18]等人采用纹理特征对物体进行检测。Ferrari等人提出使用由k个连接的直线轮廓线段作为局部特征用于物体类检测[19]。人工提取特征的方法工作量大，且由于人类认知的局限性，人工提取特征的方法难以对特征进行更深入复杂的表示，通常只可以对特定场景下的特定任务有效，方法的泛化性不够强。a)使用空间直方图作为特征[17]b)kAS特征检测[19]图1-2传统特征识别方法强化学习作为机器学习方法的一种，通过根据环境变化来调整策略，从而完成预先设置的任务。依托于大量实际试验中传感器和动作执行结果的数据，强化学习方法可以直接学习到传感器到动作输出的控制策略。如图1-3所示，LerrelPinto[20]等人认为对抗性抓取训练可以帮助机械臂提升自主抓取能力。在700小时5万次抓取对抗过程中训练的AlexNet网络在实际抓取过程中能达到66%的成功率。DmitryKalashnikov[21]等人提出了一种可扩展自监督学习方法(QT-Opt)。该方法采集数据训练了一个深度强化的Q函数并用其对抓取位姿进行评估。实验中采用多个机器人同时对抓取任务进行训练，在训练了58万步
哈尔滨工业大学工学硕士学位论文-4-后对陌生物体的抓取成功率达到了96%。基于强化学习的抓取方法缺点是需要大量数据进行训练，且当外界环境和抓取任务发生变化时，要求系统重新学习相应的机器人抓取策略，这无疑大大限制了强化学习抓取策略在实际工业中的可应用范围。a)左右互搏方式训练机械臂抓取[20]b)多机械臂训练QT-Opt[21]图1-3强化学习算法训练机械臂抓取1.2.2基于深度学习的机器人抓取检测方法研究现状深度学习方法通过大量图片数据集(dataset)训练一个映射模型(model)，通过该模型可将图像数据映射到一个或多个抓取位姿表示。利用卷积神经的特征学习和表达能力，能提取到图像的更深层特征，使得基于卷积神经网络的抓取方法拥有较好的泛化能力。如图1-4所示，康奈尔大学的Lenz[22]等人设计了一个以RGBD图像为输入的两级级联神经网络用于机器人抓龋该方法以滑动窗口的方式对整个图像进行采样，得到若干个候选抓取框。利用SAE提取抓取框内图像特征后，通过第一个较小的神经网络筛选出具有较大概率的目标位置，随后通过第二个较大的神经网络选取最优的抓取位置。与之类似的是仲训杲[23]等人的方法，不同的是仲等人采用DAE作为特征提取器。图1-4Lenz级联神经网络抓取[22]华盛顿大学的Redmon[24]等人将目标检测的one-stage思想引入抓取检测问题中，输入RGB图片后经过AlexNet模型直接输出抓取框的位置。Redmon
【参考文献】：
期刊论文
[1]达芬奇机器人直肠癌根治术的现状和发展[J]. 许剑民,常文举,鉴谧. 中华普外科手术学杂志(电子版). 2020(01)
[2]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[3]浅析家庭型服务机器人的发展前景[J]. 袁政华,夏雪. 信息记录材料. 2019(07)
[4]基于级联卷积神经网络的机器人平面抓取位姿快速检测[J]. 夏晶,钱堃,马旭东,刘环. 机器人. 2018(06)
[5]基于三级卷积神经网络的物体抓取检测[J]. 喻群超,尚伟伟,张驰. 机器人. 2018(05)
[6]基于深度学习的机器人抓取位置检测方法[J]. 闫哲,杜学丹,曹淼,蔡莹皓,鲁涛,王硕. 高技术通讯. 2018(01)
[7]基于多模特征深度学习的机器人抓取判别方法[J]. 仲训杲,徐敏,仲训昱,彭侠夫. 自动化学报. 2016(07)
[8]基于滑动窗口的遥感图像人造目标检测算法[J]. 李玲玲,刘永进,王自桦,金泰松. 厦门大学学报(自然科学版). 2014(06)
[9]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[10]我国家庭服务机器人产业发展现状调研报告[J]. 徐方,张希伟,杜振军. 机器人技术与应用. 2009(02)
硕士论文
[1]基于深度学习的机器人抓取位置检测[D]. 赵铎.中国科学技术大学 2019
本文编号：3319133
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3319133.html
