System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于机器人,具体涉及一种基于深度学习的二指欠驱动机械手爪抓取位姿检测方法。
技术介绍
1、准确地检测到物体的最优抓取位置并确定机械手爪在运动到该位置时对物体的最优抓取位姿,是二指欠驱动机械手爪在抓取物体时实现成功抓取的关键。因此,建立物体与二指欠驱动机械手爪之间的位姿转换关系,并通过建立的深度学习网络预测模型,不断学习这种转换关系,准确完成从物体位置到机械手爪抓取位姿的映射,是二指欠驱动机械手爪进行抓取位姿检测的难点;同时,制作合适的数据集,对网络预测模型进行训练、验证和测试,是利用深度学习完成二指欠驱动机械手爪抓取位姿检测的关键。
技术实现思路
1、本专利技术从上述难点和关键点出发,通过建立位姿映射函数、建立深度学习网络预测模型、制作数据集,提供一种基于深度学习的二指欠驱动机械手爪抓取位姿检测方法。
2、本专利技术所采取的技术方案是:
3、基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,包括以下步骤:
4、s1.建立物体与二指欠驱动机械手爪之间的位姿映射函数;
5、s2.根据位姿映射函数,构建深度学习网络预测模型;
6、s3.制作数据集,并将数据集划分为预测模型的训练集、验证集和测试集;
7、s4.利用s2的预测模型实现二指欠驱动机械手爪对物体的抓取位姿的预测。
8、本专利技术与现有技术相比具有以下有益效果:
9、本专利技术能够通过深度学习的方式,准确地检测到物体的最优抓取
10、本专利技术提出的方法不仅具有较高的检测准确率,而且泛化性较好,能够检测物理尺寸在二指欠驱动机械手爪最大开合范围内的物体的抓取位姿。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述S1中位姿映射函数为:
3.根据权利要求1所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述S2中构建深度学习网络预测模型的具体步骤为:
4.根据权利要求3所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:以损失函数为目标函数,通过模型训练过程中对损失函数进行寻优来提升网络预测模型的泛化能力。
5.根据权利要求4所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述损失函数是通过预测值与标签值的误差平方和对模型训练过程中的损失进行表示:
6.根据权利要求5所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述S3中制作的数据集为:一个物理尺寸在二指欠驱动机械手爪最大开合范围内的,包含30个不同物体共计900张图片的数据集,作为预测模型的训练集、验证集和测试集,比例为3:1:
7.根据权利要求6所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述S3中制作数据集的具体步骤为:
8.根据权利要求7所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述S35中,第一层全连接层是对S34提取出的特征向量进行分类;第二层全连接层是对第一层全连接层的分类结果进行分类;第三层全连接层是对第二层全连接层的结果进行分类,并输出预测结果。
...【技术特征摘要】
1.一种基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述s1中位姿映射函数为:
3.根据权利要求1所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述s2中构建深度学习网络预测模型的具体步骤为:
4.根据权利要求3所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:以损失函数为目标函数,通过模型训练过程中对损失函数进行寻优来提升网络预测模型的泛化能力。
5.根据权利要求4所述的基于深度学习的二指欠驱动机械手爪抓取位姿检测方法,其特征在于:所述损失函数是通过预测值与标签值的误差平方和对模型训练过程中...
【专利技术属性】
技术研发人员:曹宝石,孙永军,田昕泽,孙奎,刘阳,李雪皑,张龙至,谢宗武,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。