一种基于仿真工业机器人的运动学自抓取学习方法和系统技术方案

本发明专利技术公开了一种基于仿真工业机器人的运动学自抓取学习方法和系统，属于计算机辅助制造领域。本发明专利技术是基于仿真环境并利用强化学习理论进行机器人抓取训练，仿真机器人通过相机拍摄的图像自动获取物体的位置信息，决定机器人末端抓取工具的抓取位置；同时，基于强化学习的图像处理方法根据观察到的图像中被抓取物体形状和摆放状态，决定抓取工具的姿态，最终成功抓取形状各异、随意摆放的物品；本发明专利技术抓取技术可应用于很多工业与生活场景，它可以简化传统机器人的抓取工作编程的复杂性，提高机器人程序的扩展性，极大地提高了机器人的应用范围和实际生产中的工作效率。

【技术实现步骤摘要】
一种基于仿真工业机器人的运动学自抓取学习方法和系统
本专利技术属于计算机辅助制造领域，更具体地，涉及一种基于仿真工业机器人的运动学自抓取学习方法和系统。
技术介绍
以六关节机械手为代表的工业机器人在功能和应用上已趋于完善，机器人现在已经广泛应用于各种任务当中，如喷涂、码垛、搬运、包装、焊接、装配等任务大都使用机器人代替人工作业。机器人的使用极大地解放了人力，提高了安全系数，提高了生产效率与质量。然而，当前工业生产中使用的机器人智能化水平仍然比较低。即便在自动化水平比较高的生产线上，机器人的动作通常也需要操作者事先进行动作示教或者需要对特定任务进行离线编程。这一过程需要工程师熟悉专业知识，对生产过程有充分了解，进行科学的设计，准确的计算和耐心的编程。这一过程不仅对操作者的技术水平要求极高，而且缺乏可扩展性，即使只是操作对象形状、位置、摆放角度或者背景环境有细微的改变，都需要系统停机，重新进行示教或离线编程，进行复杂的修改，浪费人力的同时极大地降低了生产效率，提高了生产成本。
技术实现思路
针对现有技术的以上缺陷或改进需本文档来自技高网...

【技术保护点】
1.一种基于仿真工业机器人的运动学自抓取学习方法，其特征在于，所述方法包括以下步骤：/n(1)建立仿真机器人环境，并在仿真机器人环境中导入待训练机器人、工具和目标物品；/n(2)实时获取当前仿真机器人采集的图像；/n(3)将当前采集的图像输入到动作选择网络中，所述动作选择网络先对图像进行预处理，之后提取图像特征识别图像中目标物品和机器人手爪，并分析出机器人手爪当前应该做出运动的概率分布，根据所述概率分布做出决策，输出机器人控制指令；/n(4)仿真机器人执行所述控制指令对目标物品进行抓取，并根据抓取结果输出奖励值；/n(5)将当前采集的图像和前一次采集的图像输入价值估计网络中，所述价值估计网络从...

【技术特征摘要】
1.一种基于仿真工业机器人的运动学自抓取学习方法，其特征在于，所述方法包括以下步骤：
(1)建立仿真机器人环境，并在仿真机器人环境中导入待训练机器人、工具和目标物品；
(2)实时获取当前仿真机器人采集的图像；
(3)将当前采集的图像输入到动作选择网络中，所述动作选择网络先对图像进行预处理，之后提取图像特征识别图像中目标物品和机器人手爪，并分析出机器人手爪当前应该做出运动的概率分布，根据所述概率分布做出决策，输出机器人控制指令；
(4)仿真机器人执行所述控制指令对目标物品进行抓取，并根据抓取结果输出奖励值；
(5)将当前采集的图像和前一次采集的图像输入价值估计网络中，所述价值估计网络从两张图像中提取图像特征，并对所有图像特征进行分析结合，输出当前累计奖励值的估计值；同时，根据当前奖励值和估计值，作为标签对所述价值估计网络进行一次反向传播，完成一次价值估计网络的训练；
(6)根据累计奖励的估计值及机器人控制指令，对动作选择网络进行一次训练；
(7)判断训练时间是否达到预设时间，或者判断抓取准确率是否达到预设值，若没有，则返回步骤(2)，否则完成机器人抓取学习。


2.根据权利要求1所述的一种基于仿真工业机器人的运动学自抓取学习方法，其特征在于，所述步骤(3)中对图像进行预处理包括以下子步骤：
(11)运用模版匹配技术在图像上定位出抓取手抓的像素位置locationt；
(12)以locationt为中心，分别在原图上剪裁出尺寸为L×L和2L×2L的图片块x1，x2；
(13)将图片块x2调整为尺寸为L×L的图片块x’2；
(14)模拟人眼注视特定位置时看到的景象，使两种图片块x1，x’2在通道维度上拼接得到图像Xt。


3.根据权利要求2所述的一种基于仿真工业机器人的运动学自抓取学习方法，其特征在于，所述步骤(3)中通过卷积单元的叠加组成特征提取网络从图片Xt中提取图像特征，所述卷积单元包括5个通道，其中：
通道1，4，5中包含有1x1卷积操作，1x1卷积操作的目的是为减少网络参数，减小过拟合风险；同时加深网络的深度，增强网络的非线性；
通道2，4，5通过不同感受野获取输入层的不同尺度的信息，减弱矩阵的稀疏性问题；
通道1将集中于边缘特征；
通道3保留输入层的所有信息，避免因网络层数的增加而导致的特征信息的丢失。


4.根据权利要求3所述的一种基于仿真工业机器人的运动学自抓取学习方法，其特征在于，所述步骤(3)中使用三层全连接结构构建分析网络分析出机器人手爪当前应该做出运动的概率分布，所述分析网络接收由特征提取网络提取出来的图像特征，图像特征中包含机器人手爪及目标物体的几何位置与位姿信息。


5.根据权利要求4所述的一种基于仿真工业机器人的运动学自抓取学习方法，其特征在于，所述步骤(3)中采用全连接网络模型构建专一网络，所述专一网络只针对指令信息的一个维度进行分析，得到单维度的动作概率分布；通过6个专一网络即可得到机器人位置和姿态6个维度的指令。


6.一种基于仿真工业机器人的运动学自抓取学习系统，其特征在于，所述系统包括依次执行的以下部分：
建模部分，...

【专利技术属性】
技术研发人员：杨建中，武俊雄，王天正，黄思，向单奇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42