抓取装置及抓取方法制造方法及图纸

本发明专利技术提供了一种抓取装置及抓取方法。抓取装置包括抓取组件及取像组件。取像组件用以取得对象之取像结果。抓取组件的动作系根据取像结果依至少一参数并经过训练模型所产生。抓取组件根据动作抓取对象。至少一参数之第一参数与第三参数具同一参考轴，至少一参数之第二参数与第一参数具不同之参考轴。参数与第一参数具不同之参考轴。参数与第一参数具不同之参考轴。

【技术实现步骤摘要】
抓取装置及抓取方法


[0001]本专利技术涉及一种抓取装置及抓取方法。

技术介绍

[0002]利用机器手臂进行对象夹取是业界迈入自动化生产的利器。随着人工智能的发展，业界遂不断致力研究一种基于人工智能来学习如何夹取随机对象的机器手臂。
[0003]基于人工智能(强化学习)的随机对象夹取之机器手臂的使用情境往往限定对目标对象之作用方向(夹取点)是在对象正上方的情况，且夹爪仅能垂直取物。然而，此种夹取方式对于外型较为复杂、或是施力点不在正上方之目标对象而言，往往无法顺利将对象夹起。

技术实现思路

[0004]本专利技术提供的抓取装置及抓取方法，至少用于解决上述问题。
[0005]本专利技术之一实施例提出一种抓取装置。抓取装置包括作动装置以及取像组件。作动装置包括抓取组件。取像组件用以取得对象之一取像结果。抓取组件的动作系根据取像结果依至少一参数并经过训练模型所产生。抓取组件根据动作抓取对象。至少一参数之第一参数与第三参数具同一参考轴，至少一参数之第二参数与第一参数具不同之参考轴。
[0006]本专利技术之另一实施例提出一种抓取装置。抓取装置包括抓取组件以及取像组件。取像组件用以取得一对象之取像结果。抓取组件的一动作系根据取像结果依至少一参数并经过训练模型所产生。抓取组件根据动作抓取对象，且训练模型之训练过程之对象抓取为均匀试误。至少一参数之第一参数与第三参数具同一参考轴，至少一参数之第二参数与第一参数具不同之参考轴。
[0007]本专利技术之再一实施例提出一种抓取方法。抓取方法包括以下步骤。取像组件取得对象之取像结果。根据取像结果依至少一参数并经过训练模型产生动作。根据动作抓取对象。其中，至少一参数之第一参数与第三参数具同一参考轴，至少一参数之第二参数与第一参数具不同之参考轴。
[0008]为了对本专利技术之上述及其他方面有更佳的了解，下文特举实施例，并配合所附图式详细说明如下：
附图说明
[0009]图1示意性示出了本专利技术实施例中抓取装置的方块图；
[0010]图2示意性示出了本专利技术实施例中抓取装置在抓取一对象的情境图；
[0011]图3示意性示出了本专利技术实施例中抓取方法的流程图；
[0012]图4示意性示出了本专利技术实施例中训练模型的建构过程流程图；
[0013]图5示意性示出了本专利技术实施例中抓取方法与其它方法在抓取一对象的成功率及试误次数的比较图；
[0014]图6示意性示出了本专利技术实施例中抓取方法与其它方法在抓取另一对象的成功率及试误次数的比较图。
[0015]附图标记说明：
[0016]100-抓取装置；110-取像组件；120-作动装置；121-抓取组件；130-控制装置；131-运算单元；132-控制单元；150-对象；151-斜板；S102、S104、S106、S202、S204、S206、S208、S210、S212、S214-步驟。
具体实施方式
[0017]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。
[0018]本专利技术提供一种抓取装置及抓取方法，在对对象外型一无所知的情形下，能够透过自主学习的方式逐步探索出抓取组件可成功取物的方位。
[0019]图1示意性示出了本专利技术实施例中抓取装置的方块图，图2示意性示出了本专利技术实施例中抓取装置在抓取一对象的情境图。
[0020]请参阅图1以及图2，抓取装置100包括取像组件110以及作动装置120。作动装置120可为一机械手臂，其可利用一抓取组件121来抓取对象150，抓取组件121例如为一取物构件(end effector)。进一步地，抓取装置100还可包括控制装置130，作动装置120可藉由控制装置130的控制而作动。取像组件110例如是照相机、摄影机或监视器等，其可设置于抓取组件121上方，用以取得对象150之取像结果。具体地，取像组件110之取像范围至少涵盖对象150，以取得对象150之外型相关的信息。
[0021]控制装置130包括运算单元131以及控制单元132。取像组件110耦接于运算单元131，并将获得的取像结果输入至运算单元131。运算单元131耦接于控制单元132。控制单元132耦接于作动装置120，以执行对抓取组件121的控制。
[0022]运算单元131可基于自主学习方式建构一训练模型，该训练模型例如可以为类神经网络模型。例如，运算单元131可利用类神经网络算法、于抓取组件121不断尝试抓取对象150的过程中逐渐建构一训练模型；类神经网络算法可包含但不限于DDPG (Deep Deterministic Policy Gradient)、DQN(Deep Q-Learning Network)、A3C(Asynchronous Advantage Actor-Critic algorithm)等算法。在训练模型的训练过程中，抓取组件121进行数次试误(trial-and-error)程序，以逐渐寻找出抓取组件121能够成功抓取对象150的动作(action)。
[0023]详细地说，于每次的试误程序中，控制单元132可使抓取组件121移动并改变姿势，以令抓取组件121执行所述动作，进而移动至一定点且改变姿势到特定方位(orientation)，并尝试在所决定之位置与方位处抓取对象150。运算单元131会针对每次抓取行为的成效给予一评分，并根据数次试误程序中所得的评分更新一学习经验，逐渐寻找出抓取组件121能够成功抓取对象150的动作，以建构出训练模型。
[0024]参阅图3，图3示意性示出了本专利技术实施例中抓取方法的流程图。于步骤S102，取像组件110取得对象150之取像结果。举例来说，此取像结果可包含但不限于对象150之外型相关的信息。其中，对象150可以是各式外型的对象。在一实施例中，取像结果可包含一彩色影像和一深度影像。
[0025]于步骤S104，根据取像结果依至少一参数并经过训练模型产生抓取组件121的动作。于此，抓取组件121的动作可根据至少一参数来决定。运算单元131可基于前述之取像结果及训练模型过往的学习经验产生一组数值。控制单元132可将经过训练模型而产生的此组数值带入至少一参数中，产生抓取组件121的动作，使抓取组件121移动至一定点且改变姿势到特定方位。
[0026]于步骤S106，抓取组件121根据前述动作抓取对象150。于此，控制单元132可令抓取组件121作动以反映该动作，以于前述定点及特定方位处抓取对象150。
[0027]以下内容进一步描述运算单元131于建构训练模型之过程的细节。
[0028]参阅图4，图4示意性示出了本专利技术实施例中训练模型的建构过程流程图。另外，以下所述的训练模型的建构过程，可于模拟的环境中进行，也可在实际环境中进行。
[0029]于步骤S202，决定至少一参数的类型。此至少一参数用于定义抓取组件121的动作，此动作系由控制单元132命令抓取组件12本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抓取装置，包括：取像组件，用以取得对象之取像结果；以及作动装置，包括一抓取组件，该抓取组件的动作系根据该取像结果依至少一参数并经过训练模型所产生，该抓取组件根据该动作抓取该对象，其中，该至少一参数之第一参数与第三参数具同一参考轴，该至少一参数之第二参数与该第一参数具不同之参考轴。2.根据权利要求1所述的抓取装置，其中，该取像组件设置于该抓取组件的上方。3.根据权利要求1所述的抓取装置，其中，该第一参数、该第二参数、该第三参数及该动作之间具有线性变换关系。4.根据权利要求1所述的抓取装置，其中，该至少一参数为角度或角向量。5.根据权利要求1所述的抓取装置，其中，该动作包括三维旋转序列。6.根据权利要求5所述的抓取装置，其中，该三维旋转序列满足适切尤拉角之定义。7.根据权利要求1所述的抓取装置，其中，该训练模型之训练方法系透过自主学习。8.根据权利要求7所述的抓取装置，其中，该抓取组件根据透过自主学习之训练方法的该训练模型所产生的该动作，而能够抓取各种外型的该对象。9.根据权利要求7所述的抓取装置，其中，透过自主学习之训练方法的该训练模型所产生的该动作能够使该抓取组件移动至定点且到达一方位，其中该方位偏离于该对象的铅锤方向。10.根据权利要求1所述的抓取装置，其中，该第一参数、该第二参数与该第三参数分别具有互相独立之参数空间。11.根据权利要求10所述的抓取装置，其中，该些参数空间决定该训练模型之试误边界。12.根据权利要求11所述的抓取装置，其中，在该训练模型的训练过程中，该训练模型在该试误边界内执行均匀试误。13.根据权利要求12所述的抓取装置，其中，该抓取组件根据该均匀试误抓取该对象。14.一种抓取装置，包括：取像组件，用以取得对象之取像结果；以及抓取组件，该抓取组件的动作系根据该取像结果依至少一参数并经过训练模型所产生，该抓取组件根据该动作抓取该对象，且该训练...

【专利技术属性】
技术研发人员：施秉昌，蔡东展，
申请(专利权)人：财团法人工业技术研究院，
类型：发明
国别省市：