一种基于深度学习的机械手抓取稳定性识别方法技术

本发明专利技术涉及一种基于深度学习的机械手抓取稳定性识别方法，属于机器人感知技术领域。本发明专利技术方法首先采集不同抓取稳定性的触觉数据，然后将时间序列的图片数据转换成图片，利用触觉图片数据训练深度学习网络，最后利用深度学习网络识别未知稳定性的触觉图片数据。本发明专利技术方法，基于时间长度不一致的原始数据进行深度学习网络的训练，使得到的网络具备数据持续时间上的鲁棒性。本方法的深度学习网络，对网络参数的更新是基于整体的输入数据，只有少数数据的标签存在误差时网络受到的影响很小。所以本方法对噪声数据具有鲁棒性。

A method for recognizing stability of robot hand based on depth learning

The invention relates to a method for recognizing the stability of robot hand grasping based on depth learning, belonging to the field of Robot Perception technology. The method comprises the tactile data collected from different grasp stability, and then the picture data of time series into a picture, the picture data using tactile training deep learning network, tactile image data using deep learning network to identify unknown stability. The method of the invention carries out the training of the deep learning network based on the raw data of inconsistent time length, so that the obtained network has the robustness of the data duration. In the depth learning network of this method, the updating of network parameters is based on the whole input data. When only a small number of data labels exist errors, the network is affected very little. Therefore, this method is robust to noisy data.

【技术实现步骤摘要】
一种基于深度学习的机械手抓取稳定性识别方法
本专利技术涉及一种基于深度学习的机械手抓取稳定性识别方法，属于机器人感知

技术介绍
随着技术的不断发展和需求的不断深化，目前机器人感知技术已经成为研究热点。机器人的首要感知机理是视觉，但是视觉信息容易受到遮挡、光线强弱等因素的影响。触觉信息则不会被这些因素干扰，因此触觉信息在特定场景下对视觉信息的是一种重要的补充。本专利技术利用机械手抓取物品时触觉信息反映的抓取点摩擦力大小、物品弹性大小和手指与物品的接触情况等，将触觉信息用于识别抓取稳定性。本专利技术利用动态环境下的抓取过程触觉数据判断抓取过程的稳定性，训练得到的网络能预测抓取动作在动态环境下是否稳定，更具有实用性。机器人获取触觉信息通常是依靠分布在机械手上的压阻式、电容式、压电式的传感器，采用周期循环采样的方式进行采集。触觉信息通常是时间序列的数据。传统的触觉信息识别算法，通常是基于动态时间规整算法计算触觉信息之间的相似性，然后使用最邻近算法或者支持向量机算法等方法进行分类识别。然而动态时间规整算法在触觉信息持续时间差距较大、有效数据部分没有对齐和数据中包含噪声时往往不能得到准本文档来自技高网...

【技术保护点】
一种基于深度学习的机械手抓取稳定性识别方法，其特征在于，该方法包括以下步骤：(1)采集机械手在不同抓取稳定性下的触觉数据，包括以下步骤：(1‑1)设机械手共有a根手指，在a根手指上分别设置b个触觉传感器，每根手指上的b个触觉传感器组成一个触点阵列；(1‑2)控制机械手以随机的抓取点和抓取力度对物品进行抓取，采集抓取过程的触觉数据，设采集的触觉数据为T，触觉数据T是三维矩阵，三个维度分别是：机械手的手指根数a、一根手指的触觉传感器数量b和采集次数t，设t次采集中的最后一次采集的触觉数据为U，U是维度为a×b的矩阵；(1‑3)晃动机械手，采集一次触觉数据，设晃动机械手后采集的触觉数据为V，V是维度...

【技术特征摘要】
1.一种基于深度学习的机械手抓取稳定性识别方法，其特征在于，该方法包括以下步骤：(1)采集机械手在不同抓取稳定性下的触觉数据，包括以下步骤：(1-1)设机械手共有a根手指，在a根手指上分别设置b个触觉传感器，每根手指上的b个触觉传感器组成一个触点阵列；(1-2)控制机械手以随机的抓取点和抓取力度对物品进行抓取，采集抓取过程的触觉数据，设采集的触觉数据为T，触觉数据T是三维矩阵，三个维度分别是：机械手的手指根数a、一根手指的触觉传感器数量b和采集次数t，设t次采集中的最后一次采集的触觉数据为U，U是维度为a×b的矩阵；(1-3)晃动机械手，采集一次触觉数据，设晃动机械手后采集的触觉数据为V，V是维度为a×b的矩阵，计算晃动机械手前后的触觉数据在单个触点上变化量的最大值diff：diff＝max(abs(U-V))，其中abs()表示计算绝对值，max()表示计算最大值；(1-4)计算触觉数据U的最大值Umax＝max(abs(U)),将变化量的最大值diff与触觉数据U的最大值进行比较，若diff≥0.25×Umax，则判定触觉数据U发生变化，本次抓取不稳定，记为label＝0，若diff＜0.25×Umax，则判定触觉数据U未发生变化，本次抓取稳定，记为label＝1；(1-5)重复上述步骤(1-2)-(1-4)k次，得到k组抓取过程的触觉数据{Ti}，将每组触觉数据的采集次数记为{ti}，触觉数据的稳定性记为{labeli}，其中i＝1,2,...,k；(2)将上述步骤(1)得到的触觉数据{Ti}转换成图片，包括以下步骤：(2-1)计算触觉数据{Ti}的最大值Tmax＝max({Ti})和最小值Tmin＝min({Ti})，其中max()表示计算最大值，min()表示计算最小值；(2-2)分别将触觉数据{Ti}中的每一个元素x替换成其中floor()表示去除小数部分保留整数部分，得到触觉数据{Ti}的所有图片数据{Ri}，{Ri}为k张宽度为b、长度为ti、通道数为a的图片，其中i＝1,2,...,k，a表示机械手的手指根数，b表示一根手指的触觉传感器数量，ti为触觉数据的采集次数；(2-3)设触觉数据{Ti}中采集次数最多为L，其中L＝m...

【专利技术属性】
技术研发人员：刘华平，覃杰，孙富春，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11