灵巧手智能抓取研究
发布时间：2021-06-17 11:25
智能抓取是自然人机交互中的关键技术,该技术通过模拟人的行为来完成虚拟世界中的交互,增加用户的沉浸感和交互体验,其中如何生成自然、精确、实时的交互过程,一直是计算机图形学、人机交互和机器人领域的研究热点。基于灵巧手的抓取交互是智能抓取的研究趋势,而在处理灵巧手的抓取规划和交互过程中,存在手的复杂度高、交互细节仿真困难、计算耗时、设备依赖性强等问题,对自然人机交互提出了极大的挑战。针对以上问题,本文将灵巧手智能抓取按照人的抓取流程分为四个部分:首先,人在抓取物体之前会进行手的姿态估计;然后针对物体规划出可行的抓取姿态并执行抓取过程;抓取物体后,人能够在手掌上操作物体改变物体的姿态;最后,人会将得到的抓取经验拓展到相似物体上。本文针对上述流程所涉及的主要问题,包括位姿空间中的穿透深度计算、抓取规划与交互、掌内操作规划以及抓取数据迁移分别进行了研究,具体思路是:1.在位姿空间中采用机器学习方法计算多关节模型的近似接触空间,可用于计算穿透深度和缩小抓取位姿计算空间;2.结合近似接触空间,利用离散优化方法和抓取物理规则计算抓取空间和操作规划;3.考虑模型之间表面映射关系,实现相似物体之间的抓取空间...
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：157 页
【学位级别】：博士
【部分图文】：
图2.2:两个刚体之间的闵科夫斯基和[1]
华东师范大学博士学位论文第四章基于抓取空间学习的灵巧手抓取交互在路径规划过程中结合非穿透和基于物理的约束，计算实时自然的抓取（RealtimeNatureGrasping,简称RTN抓取）。在实践中，本方法可以在20毫秒内，生成实时的手与物体交互过程，包括抓取生成和抓取路径计算。最后，本章设计了一个用户调研来评估所提出的方法，相比于其他的交互方法（图4.1所示），如双指捏取（用两个手指夹取物体）和射线拾取（通过从食指射出的一条射线来选择物体），参与者们展示出了对本章抓取方法的偏爱。调研的结果显示，当参与者与简单物体交互的时候，本章提出的方法与双指捏取方法相比，有70.5%的人喜欢本章方法，其中有23.1%的人表示非常喜欢；与射线拾取相比，喜欢本章方法的参与者占82.1%，其中有34.1%的人表示特别喜欢。当参与者与复杂物体交互的时候，对本章抓取方法的偏好度会增加。(a)射线拾取(b)双指捏取(c)RTN抓取图4.1:分别采用射线拾取，双指捏取和本章抓取方法的实时交互4.2问题与概述人类的灵巧手所对应的位姿空间是一个高维并且非常复杂的空间，因此在位姿空间中计算抓取姿态非常困难。本节首先介绍本章会用到的相关符号和概念，然后从总体上介绍提出的自然抓取生成算法。4.2.1问题定义和符号表示给定一个灵巧手和一个物体，与前文定义一样，这里将位姿空间表示成C空间（C-space），每个位姿对应该灵巧手关于物体的相对姿态。本章假设被抓的物体55
华东师范大学博士学位论文第四章基于抓取空间学习的灵巧手抓取交互姿在Cobs中，图4.3-(c)是手与物体发生了接触，对应的位姿属于Ccont，但是该位姿不属于Cgrasp，因为手不能稳稳地抓取物体，图4.3-(d)是手紧紧地抓取了物体，对应的位姿属于Cgrasp。(a)(b)(c)(d)图4.3:手与物体之间的关系给定一个灵巧手的初始非碰撞位姿，本章算法的输出是一个稳定的抓取和平滑的抓取路径，这条路径要保证物理上合理并且看起来逼真。本章算法的核心思想是计算抓取空间的一个近似表示，由于精确计算抓取空间的复杂度很高，并且计算高维抓取空间的解析表示非常困难，因此本章采用机器学习和优化方法来近似计算抓取空间。4.2.2算法概述对于一个给定的多指灵巧手模型和一个物体模型，本章的目的是自动生成稳定的抓取动作和在物理上有效的抓取路径，算法不需要预定义物体的形状，但是假设物体是刚体，并且形状是已知的。算法的主要流程如图4.4所示，由于高维空间不能直接表示，这里采用二维平面图进行展示。算法采用第三章提出的近似接触空间计算方法，首先在位姿空间中进行随机采样来探索未知的区域，并采用离散碰撞检测对每个采样点的状态进行标注，如图4.4-(b)所示；然后使用机器学习方法计算接触空间的近似模型，如图4.4-(c)和图4.4-(d)所示；为了优化训练过程，算法采用迭代优化的方式，重复执行图4.4-(b)～图4.4-(d)过程对训练模型进行优化，并使用GPU加速抓取空间的计算过程；得到近似接触空间后，将支持向量作为输入，采用粒子群算法找到潜在的抓取位姿，如图4.4-(e)～图4.4-(h)所示。在运行57
【参考文献】：
期刊论文
[1]机器人操作技能学习方法综述[J]. 刘乃军,鲁涛,蔡莹皓,王硕. 自动化学报. 2019(03)
本文编号：3235105
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：157 页
【学位级别】：博士
【部分图文】：
图2.2:两个刚体之间的闵科夫斯基和[1]
华东师范大学博士学位论文第四章基于抓取空间学习的灵巧手抓取交互在路径规划过程中结合非穿透和基于物理的约束，计算实时自然的抓取（RealtimeNatureGrasping,简称RTN抓取）。在实践中，本方法可以在20毫秒内，生成实时的手与物体交互过程，包括抓取生成和抓取路径计算。最后，本章设计了一个用户调研来评估所提出的方法，相比于其他的交互方法（图4.1所示），如双指捏取（用两个手指夹取物体）和射线拾取（通过从食指射出的一条射线来选择物体），参与者们展示出了对本章抓取方法的偏爱。调研的结果显示，当参与者与简单物体交互的时候，本章提出的方法与双指捏取方法相比，有70.5%的人喜欢本章方法，其中有23.1%的人表示非常喜欢；与射线拾取相比，喜欢本章方法的参与者占82.1%，其中有34.1%的人表示特别喜欢。当参与者与复杂物体交互的时候，对本章抓取方法的偏好度会增加。(a)射线拾取(b)双指捏取(c)RTN抓取图4.1:分别采用射线拾取，双指捏取和本章抓取方法的实时交互4.2问题与概述人类的灵巧手所对应的位姿空间是一个高维并且非常复杂的空间，因此在位姿空间中计算抓取姿态非常困难。本节首先介绍本章会用到的相关符号和概念，然后从总体上介绍提出的自然抓取生成算法。4.2.1问题定义和符号表示给定一个灵巧手和一个物体，与前文定义一样，这里将位姿空间表示成C空间（C-space），每个位姿对应该灵巧手关于物体的相对姿态。本章假设被抓的物体55
华东师范大学博士学位论文第四章基于抓取空间学习的灵巧手抓取交互姿在Cobs中，图4.3-(c)是手与物体发生了接触，对应的位姿属于Ccont，但是该位姿不属于Cgrasp，因为手不能稳稳地抓取物体，图4.3-(d)是手紧紧地抓取了物体，对应的位姿属于Cgrasp。(a)(b)(c)(d)图4.3:手与物体之间的关系给定一个灵巧手的初始非碰撞位姿，本章算法的输出是一个稳定的抓取和平滑的抓取路径，这条路径要保证物理上合理并且看起来逼真。本章算法的核心思想是计算抓取空间的一个近似表示，由于精确计算抓取空间的复杂度很高，并且计算高维抓取空间的解析表示非常困难，因此本章采用机器学习和优化方法来近似计算抓取空间。4.2.2算法概述对于一个给定的多指灵巧手模型和一个物体模型，本章的目的是自动生成稳定的抓取动作和在物理上有效的抓取路径，算法不需要预定义物体的形状，但是假设物体是刚体，并且形状是已知的。算法的主要流程如图4.4所示，由于高维空间不能直接表示，这里采用二维平面图进行展示。算法采用第三章提出的近似接触空间计算方法，首先在位姿空间中进行随机采样来探索未知的区域，并采用离散碰撞检测对每个采样点的状态进行标注，如图4.4-(b)所示；然后使用机器学习方法计算接触空间的近似模型，如图4.4-(c)和图4.4-(d)所示；为了优化训练过程，算法采用迭代优化的方式，重复执行图4.4-(b)～图4.4-(d)过程对训练模型进行优化，并使用GPU加速抓取空间的计算过程；得到近似接触空间后，将支持向量作为输入，采用粒子群算法找到潜在的抓取位姿，如图4.4-(e)～图4.4-(h)所示。在运行57
【参考文献】：
期刊论文
[1]机器人操作技能学习方法综述[J]. 刘乃军,鲁涛,蔡莹皓,王硕. 自动化学报. 2019(03)
本文编号：3235105
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3235105.html
