分享9篇关于机器人抓取的计算机专业论文

今天分享的是关于机器人抓取的9篇计算机毕业论文范文, 如果你的论文涉及到机器人抓取等主题,本文能够帮助到你

基于深度学习的工业机器人分拣系统设计与开发

这是一篇关于深度学习,目标识别,物体位姿估计,机器人抓取,视觉系统的论文, 主要内容为在生产制造环节中,工业机器人可以极大地节约人力成本,高效可靠地完成给定的任务。目前,机器人多使用传统算法感知周围环境,通过人工示教完成指定动作。在疫情常态化的大趋势下,传统制造业逐渐向智能化、自动化转型,这就要求机器人系统具有稳定可靠的环境感知能力,能胜任各种复杂多变的真实环境。在此背景下,本文基于RGB和RGB-D视觉传感器,搭建了机器人抓取系统平台,制作了对应的数据集,实现了对于目标待抓物体的位置和姿态估计,开发了对应的抓取系统,主要研究工作如下:(1)研究了视觉传感器和机器人系统的标定问题。首先分析了相机的成像原理,然后了解了相机的单目标定知识,再次研究了机器人的手眼标定方法,最后进行实验标定相机的内外参数以及相机坐标系到机器人基坐标系的转换矩阵。(2)提出一种从单视图中同时估计多个目标物体6D位姿信息,并实现准确抓取的机器人系统。针对物体抓取应用中,目标物体纹理弱、种类多、抓取环境复杂,及数据集制作困难等问题,仅采用合成数据集方式,无需人工标注即可获得高质量的训练数据,极大地减轻标注工作量。采用UR5机器人,在真实场景下进行了抓取实验,实现了稳定抓取。(3)提出一个新颖的从单个RGB图像中估计6D位姿方法。针对现有的方法在遮挡和截断场景下表现不佳的现状,该方法使用RANSAC投票通过物体上的可见像素预测其不可见的关键点像素。实验中,在公开数据集上进行了评估,具有较高的估计精度,使用真实物体制作了对应数据集,采用此方法进行抓取实验,实现了稳定抓取。(4)设计了一种针对于物体杂乱倾斜环境下机器人抓取工作精确、高效的分拣系统。该系统基于RGB图像和深度图像,首先估计出所有待抓物体的标签和表面中心点,其次根据深度和露出面积综合选取出合适的待吸取物体,进行手眼标定计算吸取点,通过拟合物体深度点云计算吸取方向,最后控制机械臂实现六自由度分拣,具有较高的实用性。

面向机器人抓取的智能相机系统设计

这是一篇关于智能相机,系统设计,机器人抓取,算法设计的论文, 主要内容为工业自动化是制造业向智能化、柔性化转型的关键,而视觉技术作为其中的最重要的一环,一直以来都是各领域研究的重点,视觉技术可以取代大量以往需要人工参与的危险和重复的工作,通过与机器人技术相结合,可以大大提高生产的实时性和生产效率。智能相机作为视觉技术与嵌入式硬件的结合体,具有集成度高,结构紧凑的特点,在国内外都得到了广泛的应用,而我国对于智能相机的研究相较于国外起步较晚,自主产品不多且易用性较差,相关开发工具较为缺乏,使得智能相机开发能力受到了很大的制约。针对上述问题,本文设计开发了一套智能相机开发工具,同时为了方便用户开发与机器人抓取相关视觉应用,通过分析工业场景下的机器人视觉抓取应用需求,设计开发了一套视觉算法工具库,并对各算法实现原理进行详细介绍。本文中主要工作内容如下:(1)研究分析用户在视觉任务开发过程中的实际需求,设计了一种智能相机设计工具开发方案,通过节点连接的方式实现对视觉任务的编辑开发,并通过插件的方式对相机功能进行拓展,从而增强系统的开发灵活性。(2)通过对常见算法特点进行整合分析,建立了一套通用算法节点设计方法,以及对应的逻辑编排设计方法,并针对插件功能需求,设计了算法插件的开发方法以及插件导入方法,并设计了对应的算法节点运行管理功能。(3)设计了一套基于web技术的智能相机运行平台开发方法,将原本不易观察的相机内部数据,通过直观的方法进行展示,同时提供了方便的外部交互方法,使相机能够灵活进行切换,满足不同的生产需求。(4)针对机器人抓取的过程中实际需求,设计并实现了一套面向机器抓取的视觉算法工具库,重点对其中的模板匹配、亚像素边缘、工件计数、blob分析四个算法进行深入的介绍,包括各算法的底层实现原理以及实际工程中的实现方法,并针对各算法特点设计了对应的参数配置工具。同时重点对模板匹配的加速策略进行研究,并提出相应的搜索加速方法。(5)对本文所设计的面向机器人抓取的智能相机系统进行全面的测试,依次对所设计的系统以及算法进行测试,以验证其可行性,之后通过与机器人进行联调,从而实现了智能相机系统辅助机器手抓取的功能,从而验证了本文所述系统的可行性。

面向机器人抓取的智能相机系统设计

基于深度学习的目标抓取策略研究

这是一篇关于深度学习,目标抓取,机器视觉,二指夹持器,机器人抓取的论文, 主要内容为机器人的抓取操作是机器人与外界交互的最基本方式之一,传统的机器人抓取方法在面对现如今更加普遍的非结构化场景时,存在抓取成功率低、通用性差等问题。深度学习与视觉技术使得机器人具有感知与决策能力,能够完成各类复杂环境下的抓取任务。本文针对智能机器人完成抓取操作的核心任务——抓取检测问题展开研究,面向不同的抓取场景,构建了基于卷积神经网络的抓取检测模型,并搭建了机器人抓取实验平台对模型进行了验证。本文主要研究工作包括:(1)针对目前主流的2D抓取检测方法精度易受抓取背景噪声影响的问题,开展基于混合网络架构的平面2D抓取检测模型研究。首先基于改进的YOLO V5算法来获取待抓取物体的目标检测框,然后以轻量级的卷积神经网络Mobile Net V3为主干特征提取网络,构建抓取检测网络生成待抓取物体的抓取检测框,最后提出一种IOU区域评估方法,以待抓取物体的目标检测框为背景筛选出最优抓取检测框来计算最终的抓取位姿,有效避免抓取背景噪声对抓取检测结果的影响;(2)为满足从不同角度对物体执行抓取的要求,构建了基于Point Net和点云注意力机制的6-Dof抓取检测模型。首先设计了点云注意力机制嵌入到Point Net点云分类网络,搭建抓取位姿质量评估网络,然后基于YCB数据集生成抓取数据集对模型进行训练与测试;最后通过消融实验得到最佳的模型结构;(3)搭建机器人抓取实验平台对提出的模型进行应用验证,分别将训练好的模型部署在机器人平台上进行抓取实验,通过设置不同的抓取场景与评价指标,验证所提模型的合理性。实验对比发现,基于混合网络架构的平面2D抓取检测模型对单目标的抓取具有较高的成功率,对于多目标的抓取,基于Point Net和点云注意力机制的6-Dof抓取检测模型在成功率和完成率两方面均具有较好的性能表现。

基于视觉引导的协作机器人灵巧手复杂场景下的柔顺抓取

这是一篇关于机器人抓取,灵巧手,协作机器人,目标检测,抓取生成的论文, 主要内容为机器人抓取技术是机器人领域的重要研究方向,该技术在柔性生产线、餐饮服务业、农业采摘等领域都有着越来越广泛的应用。机器视觉等人工智能技术的快速发展,为机器人智能抓取技术提供了新的研究思路和契机。不过,现有的基于神经网络的机器人抓取检测模型,无法满足在生成抓取框的同时,获得该物体的类别信息,否则就需要自行构建包含上述两种信息的大规模数据集;此外,在灵巧手的抓取规划中避免复杂的物理建模,机器人在人机共融环境下的安全性等都是亟待解决的问题。本文提出了一套基于视觉引导的机器人灵巧手多目标柔顺抓取方案,涵盖了视觉抓取生成、灵巧手抓取规划以及机械臂的安全控制三大方面。首先,建立了基于五指灵巧手和RGB-D相机的机器人抓取实验平台,并将该平台的所有模块都统一到了KST(KUKA Sunrise Toolbox)中,建立了上述抓取实验平台中的图像坐标系、相机坐标系和世界坐标系的齐次变换矩阵。其次,分析了多目标机器人抓取检测的主流方案,建立了以YOLO v5目标检测网络和GG-CNN机器人抓取生成网络为基础的多目标检测抓取生成网络SGG-Net。在训练网络前,建立了HIT Grasp数据集,训练后SGG-Net第一阶段网络的m AP@0.5达到0.84,检测速度达到每帧0.01s。本文还建立了一种图像目标提取模块,可将复杂场景下的指定目标从背景中分离出来。接下来,本文提出了一种面向五指灵巧手的抓取控制方法,该方法基于手指的力矩反馈,在不同物体的抓取实验中效果良好。此外还提供了一种基于数据手套关节映射的灵巧手控制方案,完成了对常见物体的抓取。随后,给出了一种应用五维抓取矩形框实现灵巧手抓取的工程性方案。本文还建立了KUKA iiwa协作机器人的运动学和动力学模型,提出了一套基于关节力矩传感器的机器人碰撞检测与安全响应机制,大大提高了在人机共融环境下机器人的安全水平。最后,在复杂场景下的多目标交互式抓取实验对多种不同形态的物体进行了抓取,抓取平均成功率为86.0%,验证了本文提出的SGG-Net、基于力阈值的自适应灵巧手抓取控制算法等的有效性和实用性。

面向机器人抓取的智能相机系统设计

机器人对物体抓取点检测技术的研究

这是一篇关于抓取检测,机器人抓取,深度学习,挤压与激励的论文, 主要内容为机器人抓取是智能机器人的基础功能,也是机器人研究领域的重要课题,并伴随着许多挑战。抓取检测是机器人能完成抓取任务的首要前提,本文的研究聚焦于构建新的神经网络模型,提高机器人抓取检测的准确率,具体工作如下:首先,对此领域的相关研究做了分析和整理,描述了机器人抓取检测系统的整体设计和实现过程。在计算位姿方面,改进了传统的五维矩形抓取表示法,使用康奈尔抓取数据集对模型进行训练。针对康奈尔抓取数据集数据量不足的问题,通过旋转、剪裁、放大等方法对数据进行了扩充和增强。详细推导了坐标变换的计算方法以及从抓取图中提取最优抓取的过程。其次,对抓取检测神经网络模型进行研究和设计,为了提高机器人在抓取物体时成功率和速度,提出了一种基于SE-Res Net的生成式机器人抓取位置检测模型。模型通过输入的RGB-D图像直接生成对应的抓取映射图,Res Net通过跳跃连接的方式解决了深度模型的退化问题,在此基础上引入挤压和激励机制,用于增强有用信息,并抑制无用信息。再次,对模型进行结构优化和参数调整,在结构上使用了批量归一化,随机失活法。选择Jaccard指数作为抓取检测的评价标准。实验结果表明,该方法在Cornell数据集上的准确率高达98.9%。最后,为进一步验证该模型,搭建了基于Py Bullet物理仿真环境的抓取检测平台,使用Franka Panda机械臂对EGAD评估集中的各个难度的物体进行仿真抓取,通过改变抓取物体的数量以及摆放位置进行了多组抓取实验,成功率在80%～96%之间。