一种非结构化环境的机器人灵活抓取检测方法技术

本发明专利技术公开了一种非结构化环境的机器人灵活抓取检测方法，包括，利用Kinect x1相机采集抓取场景中的彩色图，并制作目标检测数据集，通过目标检测网络架构识别出场景中的各个目标；根据识别出的所述各个目标，结合多目标抓取姿态生成网络生成各目标的抓取位姿；以目标检测结果中的对象区域和抓取检测结果中的位姿信息为基准，筛选最优的抓取位姿，控制机械臂完成抓取任务。本发明专利技术提高了目标物体最优抓取区域的检测精度，并避免了机械臂抓取时对其他目标的干扰，最终增强了机械臂在抓取任务中对非结构化场景下多目标物体抓取的鲁棒性和适应性。和适应性。和适应性。

【技术实现步骤摘要】
一种非结构化环境的机器人灵活抓取检测方法


[0001]本专利技术涉及机械臂灵活抓取的
，尤其涉及一种非结构化环境的机器人灵活抓取检测方法。

技术介绍

[0002]基于点云的抓取姿态估计算法(PointNet
‑
grasp pose detection,PointNer
‑
GPD)，使用3D神经网络PointNet进行抓取姿态估计，这种方法依赖于物体的点云信息，相比之下，基于Faster RCNN(faster region based convolutional neural networks)网络的多物体抓取模型，就有较好的泛化能力和检测精度；Asif等从图像的不同层级来预测抓取区域，克服了只能从单个层级预测图像抓取区域的局限性，就准确度而言，该方法优于Cornell抓取数据集上的最新方法。陈丹等通过两日目标检测框与物体的最小包围矩形，计算出目标物体的抓取区域。金欢利用目标检测算法识别目标物体，将原始图像分割为多个仅包含单个物体的小块，再利用基于深度学习的抓取检测网络完成抓取任务。
[0003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非结构化环境的机器人灵活抓取检测方法，其特征在于：包括，利用Kinect x1相机采集抓取场景中的彩色图，并制作目标检测数据集，通过目标检测网络架构识别出场景中的各个目标；根据识别出的所述各个目标，结合多目标抓取姿态生成网络生成各目标的抓取位姿；以目标检测结果中的对象区域和抓取检测结果中的位姿信息为基准，筛选最优的抓取位姿，控制机械臂完成抓取任务。2.根据权利要求1所述的非结构化环境的机器人灵活抓取检测方法，其特征在于：机器人抓取检测问题不仅需要预测出待抓取目标的回归边界，同时还需要筛选出机械臂最优的抓取姿态，为了对图像信息中抓取目标的最优抓取姿态进行预测，定义一种机械臂5D抓取姿态表示方法，包括，A＝f(x,y,h,w,θ)其中，A表示输入图像中的最优抓取区域，(x,y)表示图像抓取矩形左上角点坐标；(h,w)表示抓取矩形的高度和宽度；θ表示抓取矩形框相对于图像水平方向的夹角，利用三维成像模型确定矩形对应的机器人最优抓取姿态。3.根据权利要求1或2所述的非结构化环境的机器人灵活抓取检测方法，其特征在于：包括，数据增强、多尺度特征融合、区域特征聚集和联级测头。4.根据权利要求3所述的非结构化环境的机器人灵活抓取检测方法，其特征在于：所述数据增强包括，像素混合增光策略、基于自动机器学习的图像数据增光方法和图像信息删除策略。5.根据权利要求4所述的非结构化环境的机器人灵活抓取检测方法，其特征在于：所述多尺度特征融合包括，将特征图集输入一个1X1的卷积层，以减少特征图的数量，生成低分辨率特征映射C5；通过嵌入式高斯函数对得到的平衡后的特征图进行非局部操作，得到进一步...

【专利技术属性】
技术研发人员：黄海松，饶期捷，范青松，张松松，白鑫宇，
申请(专利权)人：贵州大学，
类型：发明
国别省市：