基于RGB-D的物品分类及机器人抓取技术研究

发布时间：2024-03-26 03:01

　　当前是一个智能化的时代,无论是对于传统的工业机器人,还是对于目前技术并不太成熟的服务机器人,都提出了新的挑战。而作为机器人的一项非常重要的能力,机器人的抓取及分类一直是国内外研究的重点。物体种类的繁多,物体形状的多变以及物体位姿的任意摆放,都对机器人的抓取及分类提出更高的要求。本文面对生活中常见物品分类及抓取,以Kinect v2相机为主要传感器,重点研究建立抓取分类模型学习物体的三维局部特征,根据局部特征映射到机器人末端的抓取参数;针对少量训练样本的情况,研究和分析两种经典神经网络的迁移学习进行物品的分类,并且搭建了实验平台进行最终的验证。本文的工作主要包含了以下几个方面:(1)为了实现生活中常见物体的识别和分类,研究和分析了两种比较经典的神经网络模型VGG16和Inception-v3的迁移学习。分析公共的数据集,进行一定的预处理,得到训练和测试所需要的数据集;针对原始数据集数量较少的问题,采用迁移学习的方法训练神经网络模型;对比两个模型在测试集上的测试结果,最终选取Inception-v3神经网络模型作为本文的物体分类模型;(2)为了获得机器人末端执行器的抓取参数,研究了四种抓取...

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图I-?AlexNet卷积神多网络框架

哈尔滨工业大学工学硕士学位论文2012年，AlexKrizhevsky等人[6]提出了一个大规模、有深度的卷积神经网络AlexNet，布局结构相对简单，主要包括5个卷积层、最大池化层、丢包dropout层，以及3个全连通层，如图1-2所示，该结构针对1000....

图13R-CNN}/l4木识剔案纤

RossGirshick等人[9]对R-CNN进行改进，提出了FastR-CNN，如图1-4解决了R-CNN的三个问题：（1）一张图片中候选框之间有大量重叠，提取特征操作冗余，测试速度慢；（2）训练速度慢；（3）训练所需空间大。

图I-fi实例目标分匆!的MaskR-CNl}框契

对于物体识别与检测，国内很多学者也做了相关方面的研究。电子科技大[12]针对电商图片，设计了一个基于组合物体组成部分的物体识别算法。了识别有多个部分组成的物体，而物体的这几个部分可能连系并不是那这对于传统的物体识别算法并不是很好地理解，所以他针对这种情况，利经网络进行识别。同样来....

图1-10四种运动基元

国内也有许多关于机器人抓取相关的研究。韩峥等人[25]针对形态均不同的物体，将Kinect相机固定于桌面的正上方，利用深度信息的背景分出来目标物体。为了获取更加准确的目标轮廓，找到最大的深度值，并与较，得到目标顶部的点。将目标抓取点设置在目标左侧面的中心，以便实定的抓取。a)....

本文编号：3939265