一种机器人抓取位姿估计方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种机器人抓取位姿估计方法、装置、设备及存储介质。通过获取目标物体的第一点云数据，对所述第一点云数据进行预处理，得到所述目标物体的第二点云数据；根据抓取位姿采样数据，构建抓取质量评估网络，将所述第二点云数据输入到所述抓取质量评估网络中，以使所述抓取质量评估网络输出最优抓取位姿。与现有技术相比，能直接基于三维点云进行机器人抓取位姿估计，能准确获取抓取目标物体在三维空间中的位置，且通过直接处理第一点云数据，最大化地保持原始点云信息，更为有效和准确地估计抓取位姿。准确地估计抓取位姿。准确地估计抓取位姿。

【技术实现步骤摘要】
一种机器人抓取位姿估计方法、装置、设备及存储介质


[0001]本专利技术涉及机器人
，特别是涉及一种机器人抓取位姿估计方法、装置、设备及存储介质。

技术介绍

[0002]目前多数用于抓取位姿估计的深度学习方法仍然依赖于二维图像输入，而二维图像由于缺乏深度信息，无法准确获取抓取对象在三维空间中的位置；另一方面，对于背景复杂或者遮挡严重的场景，二维图像对于物体边界敏感程度远不及深度图像。一些抓取模型需要设置复杂的手工特征才能处理数据，且很少有模型会考虑三维物体的点云信息，从而限制了其应用范围，同时也导致抓取操作的准确度低、算法不稳定等问题。

技术实现思路

[0003]本专利技术要解决的技术问题是：提供一种机器人抓取位姿估计方法、装置、设备及存储介质，提高机器人抓取位姿的准确性。
[0004]为了解决上述技术问题，本专利技术提供了一种机器人抓取位姿估计方法，包括：
[0005]获取目标物体的第一点云数据，对所述第一点云数据进行预处理，得到所述目标物体的第二点云数据；
[0006]根据抓取位姿采样数据，构建抓取质量评估网络，将所述第二点云数据输入到所述抓取质量评估网络中，以使所述抓取质量评估网络输出最优抓取位姿。
[0007]在一种可能的实现方式中，所述根据抓取位姿采样数据，构建抓取质量评估网络，具体包括：
[0008]获取抓取位姿估计数据集，对所述抓取位姿估计数据集中的每一个模型进行抓取位姿采样，并对每个抓取位姿按预设的质量评估标准进行评分，并基于PointNet构建抓取质量评估网络，其中，所述抓取质量评估网络包括多层感知机、最大池化层和全连接层。
[0009]在一种可能的实现方式中，对所述第一点云数据进行预处理，其中，所述预处理包括点云直通滤波处理；
[0010]设置空间坐标轴各个方向上的坐标轴阈值，根据各个方向上的坐标阈值对所述第一点云数据进行分割，得到第一点云数据的感兴趣区域，并对所述感兴趣区域进行目标点云识别，生成直通滤波点云数据。
[0011]在一种可能的实现方式中，对所述第一点云数据进行预处理，其中，所述预处理还包括载物台平面分割处理；
[0012]基于随机采样一致性算法估计所述直通滤波点云数据中的背景点云近似平面，并基于所述背景点云近似平面，将所述直通滤波点云数据分割为目标物体点云和背景点云，以使得到目标物体点云。
[0013]在一种可能的实现方式中，对所述第一点云数据进行预处理，其中，所述预处理还包括点云降采样处理；
[0014]根据所述目标物体点云创建三维体素栅格，其中，所述三维体素栅格的尺寸大小由所述目标物体点云的分辨率、采样密度来确定；
[0015]将所述目标物体点云对应放入到所述三维体素栅格中，以使生成多个小立方体；
[0016]根据所述多个小立方体的重心点，计算每个小立方体内各个目标物体点云与所述重心点的距离，将所述距离最小的目标物体点云进行保留。
[0017]本专利技术还提供了一种机器人抓取位姿估计装置，包括：点云数据处理模块和最优抓取位姿输出模块；
[0018]其中，所述点云数据处理模块，用于获取目标物体的第一点云数据，对所述第一点云数据进行预处理，得到所述目标物体的第二点云数据；
[0019]所述最优抓取位姿输出模块，用于根据抓取位姿采样数据，构建质量评估网络，将所述第二点云数据输入到所述抓取质量评估网络中，以使所述抓取质量评估网络输出最优抓取位姿。
[0020]在一种可能的实现方式中，所述最优抓取位姿输出模块，用于根据抓取位姿采样数据，构建抓取质量评估网络，具体包括：
[0021]获取抓取位姿估计数据集，对所述抓取位姿估计数据集中的每一个模型进行抓取位姿采样，并对每个抓取位姿按预设的质量评估标准进行评分，并基于PointNet构建抓取质量评估网络，其中，所述抓取质量评估网络包括多层感知及机、最大池化层和全连接层。
[0022]在一种可能的实现方式中，所述点云数据处理模块，用于对所述第一点云数据进行预处理，其中，所述预处理包括点云直通滤波处理；
[0023]设置空间坐标轴各个方向上的坐标轴阈值，根据各个方向上的坐标阈值对所述第一点云数据进行分割，得到第一点云数据的感兴趣区域，并对所述感兴趣区域进行目标点云识别，生成直通滤波点云数据；
[0024]在一种可能的实现方式中，所述点云数据处理模块，用于对所述第一点云数据进行预处理，其中，所述预处理还包括载物台平面分割处理；
[0025]基于随机采样一致性算法估计所述直通滤波点云数据中的背景点云近似平面，并基于所述背景点云近似平面，将所述直通滤波点云数据分割为目标物体点云和背景点云，以使得到目标物体点云。
[0026]在一种可能的实现方式中，所述点云数据处理模块，用于对所述第一点云数据进行预处理，其中，所述预处理还包括点云降采样处理；
[0027]根据所述目标物体点云创建三维体素栅格，其中，所述三维体素栅格的尺寸大小由所述目标物体点云的分辨率、采样密度来确定；
[0028]将所述目标物体点云对应放入到所述三维体素栅格中，以使生成多个小立方体；
[0029]根据所述多个小立方体的重心点，计算每个小立方体内各个目标物体点云与所述重心点的距离，将所述距离最小的目标物体点云进行保留。
[0030]本专利技术还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的机器人抓取位姿估计方法。
[0031]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行
如上述任意一项所述的机器人抓取位姿估计方法。
[0032]本专利技术实施例一种机器人抓取位姿估计方法、装置、设备及存储介质，与现有技术相比，具有如下有益效果：
[0033]通过获取目标物体的第一点云数据，对所述第一点云数据进行预处理，得到所述目标物体的第二点云数据；根据抓取位姿采样数据，构建抓取质量评估网络，将所述第二点云数据输入到所述抓取质量评估网络中，以使所述抓取质量评估网络输出最优抓取位姿。与现有技术相比，能直接基于三维点云进行机器人抓取位姿估计，能准确获取抓取目标物体在三维空间中的位置，且通过直接处理第一点云数据，能最大化地保持原始点云信息，更为有效和准确地估计抓取位姿。
附图说明
[0034]图1是本专利技术提供的一种机器人抓取位姿估计方法的一种实施例的流程示意图；
[0035]图2是本专利技术提供的一种机器人抓取位姿估计装置的一种实施例的结构示意图；
[0036]图3是本专利技术提供的一种实施例的第一点云数据的示意图；
[0037]图4是本专利技术提供的一种实施例的点云直通滤波的结果示意图；
[0038]图5是本专利技术提供的一种实施例的体素滤波原理示意图；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人抓取位姿估计方法，其特征在于，包括：获取目标物体的第一点云数据，对所述第一点云数据进行预处理，得到所述目标物体的第二点云数据；根据抓取位姿采样数据，构建抓取质量评估网络，将所述第二点云数据输入到所述抓取质量评估网络中，以使所述抓取质量评估网络输出最优抓取位姿。2.如权利要求1所述的一种机器人抓取位姿估计方法，其特征在于，所述根据抓取位姿采样数据，构建抓取质量评估网络，具体包括：获取抓取位姿估计数据集，对所述抓取位姿估计数据集中的每一个模型进行抓取位姿采样，并对每个抓取位姿按预设的质量评估标准进行评分，并基于PointNet构建抓取质量评估网络，其中，所述抓取质量评估网络包括多层感知机、最大池化层和全连接层。3.如权利要求1所述的一种机器人抓取位姿估计方法，其特征在于，对所述第一点云数据进行预处理，其中，所述预处理包括点云直通滤波处理；设置空间坐标轴各个方向上的坐标轴阈值，根据各个方向上的坐标阈值对所述第一点云数据进行分割，得到第一点云数据的感兴趣区域，并对所述感兴趣区域进行目标点云识别，生成直通滤波点云数据。4.如权利要求3所述的一种机器人抓取位姿估计方法，其特征在于，对所述第一点云数据进行预处理，其中，所述预处理还包括载物台平面分割处理；基于随机采样一致性算法估计所述直通滤波点云数据中的背景点云近似平面，并基于所述背景点云近似平面，将所述直通滤波点云数据分割为目标物体点云和背景点云，以使得到目标物体点云。5.如权利要求4所述的一种机器人抓取位姿估计方法，其特征在于，对所述第一点云数据进行预处理，其中，所述预处理还包括点云降采样处理；根据所述目标物体点云创建三维体素栅格，其中，所述三维体素栅格的尺寸大小由所述目标物体点云的分辨率、采样密度来确定；将所述目标物体点云对应放入到所述三维体素栅格中，以使生成多个小立方体；根据所述多个小立方体的重心点，计算每个小立方...

【专利技术属性】
技术研发人员：薛均晓，陈云博，万里红，
申请(专利权)人：河南中原动力智能制造有限公司，
类型：发明
国别省市：