面向机械臂自主操作的目标位姿感知和抓取技能学习研究

发布时间：2021-12-17 08:25

　　利用机械臂智能、高效地执行操作任务已经成为机器人研究领域的热点,但因为应用场景复杂多变,机器人需要采用更加智能化的控制方式才能在各种非结构环境下自主地完成操作任务。针对自主操作的诸多难点,本文基于智能学习方式提供多种解决方案。基于深度学习从视觉中提取环境表征信息,准确感知目标位姿状态后利用视觉伺服控制完成操作。此外,基于深度强化学习让机器人与环境自动交互学习最优控制策略,并针对稀疏奖励等问题提出了优化,本文从下述几个方向进行研究:首先,研究了Kinova七自由度冗余机械臂正逆运动学求解及优化问题;针对目标识别和位姿估计任务,利用Label Fusion制作了用于监督深度神经网络训练的数据集;编写机械臂和操作物模型,通过Mujoco搭建了用于训练机器人智能体自主学习操作技能的物理仿真环境。其次,针对复杂未知环境下的自主操作任务,提出一种基于深度学习网络的特征融合算法,先利用RGB-D相机输出的彩色图像识别出兴趣目标并从背景中分割出来,然后根据识别分割结果实现RGB和Depth特征的逐像素融合,全局特征为之后的位姿预测模块提供更丰富且准确的细节信息,输出位姿进一步通过点云配准实现参数微调,... 

【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】：78 页

【学位级别】：硕士

【图文】：

IBVS控制结构

PBVS控制结构

哈尔滨工业大学工学硕士学位论文3分解算法来估计操作物体的精确位姿[10]。为了解决PBVS过程中目标逃离视线范围导致任务失败的问题，Parkdh等人[11]根据目标的实时位姿计算出相机的运动值，保证目标一直在视野场中。Chesi等人[12]将PBVS控制和末端的轨迹规划相结合，GeL等人[13]通过卡尔曼滤波估计识别目标的位置和速度，一定程度上解决了因为遮挡导致的关节运动受限、机械臂避障等问题。PBVS因为其结构简单和使用性能好而被大多数实时控制系统所采用。图1-3基于PBVS的机械臂抓取操作任务1.3.2目标识别和位姿估计的研究现状机器人想要在非结构环境下完成自主操作任务，需要先获取目标的形状类别、位置姿态等信息，目标识别和位姿估计的准确度和速度直接决定了视觉伺服任务的成败和质量，被广泛应用于机器人操作、避障等任务，是研究视觉伺服操作的前提。物体识别算法涉及两方面的视觉任务：目标识别和位姿估计。目标识别算法决定了任务的成败，大致可以分为两类，传统方法是基于模板匹配识别，常用灰度信息采用平方差匹配和相关匹配等统计方法，Lowe等[14][15][16]将大量目标图像以及合成图像作为数据集来重建目标物体的三维模型，然后通过特征匹配算法识别目标物体。该类方法需要提供模板，易受噪声干扰，使用场景受限。另外一类是基于分类模型的识别，先精确分割出目标，再提取相应的特征，然后利用分类器模型即可识别出物体，常用分类器模型有贝叶斯分类器、SVM、决策树、CNN等[17][18][19]。图1-4FasterR-CNN目标识别算法2005年，Navneet等人[20]通过提取HOG特征并用SVM分类器检测人类，得到了非常不错的效果。2014年，Ross首次将CNN引入到目标识别任务中[21]，大幅


本文编号：3539747