密集环境下物体吸取可供性检测及其自监督学习方法.docx

《密集环境下物体吸取可供性检测及其自监督学习方法》这篇文档探讨了在复杂仓储物流环境中的机械臂抓取技术，特别是在散乱件分拣环节，如何有效地检测并执行吸取操作。传统的物体吸取方法依赖于精确的物理建模，但这种方法在实际应用中存在局限性。随着深度学习的发展，学者们开始利用神经网络来计算吸取点的位置和姿态，例如Dex-Net 3.0，但这种方法对高精度摄像头有较高要求。 Liu等人和Zeng等人的工作分别采用卷积神经网络和全卷积网络来预测吸取点，但前者速度慢，后者依赖大量人工标注数据。为了解决这些挑战，自监督学习成为了新的研究方向，因为它可以减少人工标注的需求。然而，现有自监督学习的研究大多集中在多指机械手上，而在密集环境下的应用并不理想。 本文提出了一种适用于快速自监督学习的两阶段物体吸取可供性检测方法，包括区域预测网络(RE-Net)和吸取点检测网络(SGPA-Net)。RE-Net不依赖单个物体的概念，而是直接预测区域内存在可吸取位置的置信度，不受物体间位姿关系的影响。SGPA-Net则在预测区域内选择最佳吸取点，同时考虑深度和彩色信息。 系统由UR5六自由度机械臂、真空吸盘、空气动力开关、RealSense D435 RGB-D摄像头、分拣料框和PC组成。机械臂负责运动，吸盘执行吸取，空气动力开关检测吸取状态，RGB-D摄像头提供彩色和深度图像，PC处理图像并控制机械臂。整个系统设计旨在实现高效且准确的物体吸取。 两阶段的吸取可供性检测方法在仿真和真实环境中进行了实验，证明了其有效性和迁移可能性。这种方法旨在提高吸取成功率、降低漏检率并加快检测速度，特别适合于上下移动的机械臂吸取模式，以避免碰撞。 本文提出的方法通过自监督学习，解决了复杂环境下的物体吸取可供性检测问题，提高了机械臂抓取的效率和成功率，减少了对高精度设备和大量人工标注的依赖，为未来自动化仓储物流系统的优化提供了新的思路。