基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征

# Cascade-R-CNN-Kinova-Grasp 基于Pytorch深度学习框架进行整体环境搭建，包括数据集制作，模型训练，模型测试，模型优化；基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征。 一、针对机器人多物体抓取检测研究问题，选用Cascade R-CNN为基础网络框架，Cascade R-CNN是通用目标检测中表现较好的一种级联算法，其特点是速度快，检测精度高。 二、首先构建一个由三十二类对象组成的多目标抓取数据集( MOGD )。解决当前多物体抓取数据集较为缺乏的问题，并便于对多目标抓取检测模型进行评估。 三、由于平行夹持器的对称性，角度参数的取值不大于180°，我们的取向角θ被量化为R个部分( 每一部分相对于抓取矩形的中心进行划分 )。在我们的工作中，设R = 19。 四、多物体抓取数据集采用的标注方式与康奈尔抓取数据集基本一致，因此多物体检测与单物体检测方法相似，将抓取检测转化为目标定位加上角度分类问题，将各物体抓取框与水平方向的夹角转化成19个类别，包括一个背景类以提供负样本，采用Json格式存储训练和测试样本，对每一个标签都注明对应图像ID，抓取框的中心点坐标和宽高以及角度分类ID，这种存储格式符合COCO目标检测数据集规范。 检测图    抓取实物图