没有合适的资源?快使用搜索试试~ 我知道了~
基于深度学习的抓取目标姿态检测与定位.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 6 浏览量
2022-11-03
19:55:38
上传
评论
收藏 485KB DOCX 举报
温馨提示
试读
9页
基于深度学习的抓取目标姿态检测与定位.docx
资源推荐
资源详情
资源评论
0 引言
目前,计算机视觉技术已被广泛应用于工业机器人领域,如零件装配、装箱、分拣等工作;在辅助
机器人技术领域,机器人与周围环境相互适应,服务人类生活.机器人的视觉系统作为机器人系统的重要
组成部分,首先需要识别目标对象及位置,然后才能完成路径规划和控制等过程.因此,机器人对目标对
象识别的多样性及定位的准确性,能够优化机器人抓取路径并改善抓取任务系统的整体性能.同时机器人
能够实时处理视觉信息,将大大提高机器人的工作效率,增强人机交互能力.
在过去的 10 年中,深度学习在检测、分类和回归等任务上取得了重大成功
[1-3]
.它的关键优势在于能
够自我学习大量标记和未标记的数据特征形成网络模型,并且无需手动设计特征空间.深度神经网络已被
证明优于手动设计特征空间的性能,并且卷积神经网络(convolutional neural network,CNN)已成为视觉
识别领域最好的学习方法
[4-5]
.同时,由于低成本深度摄像机的普及及计算框架的出现,促进了 CNN 的构
建和训练,给机器人识别抓取带来了新的方法. Lenz 等
[6]
提出了一种多层感知器的级联方法,用于预测图
像子区域的可抓取性,依靠不同类型手工设计的正则化方法来降低训练网络的难度.文[7-8]选择目前更加
流行的 AlexNet 和 ResNet 卷积神经网络模型,提高了模型的预测精度,但实时性不佳.文[9-10]利用数十
万个样本作为训练数据集,但是在工业环境中大型数据集难以建立.
最近的研究已经提出将抓取定位任务作为目标检测问题,如分数函数
[11]
、极端学习机
[12]
或稀疏字典
学习
[13]
等方法应用视觉相关框架来处理 RGB-D 图像.然而,由于很多方法在检测期间使用了滑动窗口
[14]
方法,这种方法需要花费大量的时间去学习不必要的特征,导致检测期间处理图像速度慢.
本文基于 Faster R-CNN Inception-V2 网络模型,使用区域建议网络
[4]
(region proposal networks,
RPN)生成用于特征提取的候选区域,对数据集图像进行特征提取和训练.整个网络由 2 个部分组成:用边
框回归的方法确定抓取区域,用姿态角度分类方法确定机械臂的抓取旋转角度.考虑到实际生活中机器人
可能会同时识别和抓取多个目标的情况,所以在数据集中增加多抓取目标数据集.同时所提出的网络结构
可以预测每个抓取目标的多个抓取信息并且具有相应置信度,有利于机器人在实际工作中对抓取目标的检
测和最优抓取.在实验中,Faster R-CNN Inception-V2 结构模型通过对小型 Cornell 数据集图像进行训
练,达到对目标对象快速姿态检测和精确定位的目的.
1 区域姿态检测与定位方法
机器人对图像中目标对象进行姿态检测和定位时,机械手臂末端夹具是类似于人手的平行夹板.对于
具有平行夹板的夹具,完整的 7 维抓取矩阵表示夹具最后阶段的低维映射,经过文[10]简化为现在的 5 维
抓取矩阵,这种抓取矩阵表示平行板夹具抓取目标的姿态角度和位置.利用式来抓取矩阵向量包含位置、
姿态角度和开口大小参数,其中(x,y)是矩形的中心,ω 宽度和 h 高度是物理约束,θ 是矩形相对于水平
轴线方向的姿态角度:
(1)
资源评论
罗伯特之技术屋
- 粉丝: 3578
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功