基于深度学习的机器人抓取仿真训练技术研究

发布时间：2023-03-23 00:30

　　机器人智能抓取是实现机器人智能化的重要一环。由于待抓取物品形状、尺度的多样性以及环境因素的影响,抓取任务很难用准确的数学公式求解。以往的研究多是借助计算机视觉、机器学习等相关技术,虽有一定的效果,但智能化程度还是较低。2012年后深度学习技术逐渐崛起,因为其良好的特征提取表现被应用在了各个领域,如医学图像、自动驾驶、数据分析等,近年来国外学者开始将这项技术应用到机器人抓取,并取得了一定的成果。深度学习要想取得良好的效果,需要大量的数据来训练,虽然有学者指出预训练的网络对数据量要求小一些,但是对于机器人来说试验的数据量还是很大,密集的动作可能造成机器人故障,所以近年来也有学者开始尝试在虚拟环境中执行大量试验来收集数据。课题研究了相机标定原理,并完成了机器人的手眼标定。为了完成现场实验,使用Kinect相机提供彩色图和深度图,在实验之前标定了彩色摄像头和红外摄像头以及两者之间的相对位置关系。研究了两种基于采样的运动规划算法—PRM和RRT,用来指导后续的机器人运动规划。采用九点标定法标定了机械臂和Kinect的相对位置关系,结合深度图可将彩色图中的像素点转换到机器人基坐标系下来指导机器人执...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 项目研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 研究现状分析
    1.3 主要研究内容
第2章 机器人抓取系统框架及手眼标定
    2.1 系统整体框架
    2.2 相机原理介绍
        2.2.1 相机模型
        2.2.2 坐标转换
        2.2.3 相机标定原理
        2.2.4 Kinect相机标定
    2.3 基于采样的机械臂运动规划
        2.3.1 PRM算法
        2.3.2 RRT算法
    2.4 机械臂手眼标定
    2.5 本章小结
第3章 基于VREP的抓取仿真建模与样例生成
    3.1 仿真环境框架
    3.2 仿真环境中的三个要素
        3.2.1 物体建模
        3.2.2 机械臂建模
        3.2.3 深度相机建模
    3.3 虚拟抓取数据收集框架
        3.3.1 基于深度图的随机抓取位姿生成方法
        3.3.2 模型抓取试验设计
    3.4 本章小结
第4章 基于深度学习的目标抓取位姿检测
    4.1 深度学习的基本原理
        4.1.1 感知机模型
        4.1.2 卷积神经网络
    4.2 抓取目标检测
    4.3 抓取网络的相关介绍
    4.4 用于抓取位姿识别的网络实现流程
    4.5 本章小结
第5章 机器人抓取验证实验
    5.1 实验准备
        5.1.1 机械臂及机械爪简介
        5.1.2 Kinect V2简介
        5.1.3 现实场景的手眼标定
    5.2 实验流程
    5.3 实验效果分析
    5.4 本章小结
结论
参考文献
致谢



本文编号：3767904