【技术实现步骤摘要】
本专利技术涉及机器人操作，尤其涉及一种机器人抓取获取方法。
技术介绍
1、在非结构化的现实世界环境中抓取和操作未知物体是机器人研究中的一个长期挑战。理想情况下，我们希望机器人能根据观察到的3d物体信息，提出多种可靠的抓取(抓取位姿和抓取力)，从中可以执行无碰撞损伤、无滑动和运动学上可行的动作。然而，从感知到规划和控制，整个抓取流程中存在许多需要解决的挑战。
2、通常机器人根据视觉系统提供的视觉信息来获取非结构换环境信息。使用2.5d和3d数据的机器人抓取方法可以更好的识别操作物体的外部特征，这种方法多采用全景双目相机获取点云数据，结合级联训练或同时具有单独损失的网路组成的多阶段技术，生成未知物体的抓取姿态，其中深度数据携带的几何信息，增强了机器人在非结构化环境下的抓取精度。然而现有基于3d的方法虽然可准确获取操作对象的可见特征，也不能可靠的抓取各种未知目标。物体的柔软度、重量、表面粗糙度等看不见的内在属性，仅依靠视觉信息是无法正确识别的。
3、仅针对人类抓取不同的研究表明，指尖麻痹的人无法保持稳定的抓握，触觉缺陷的儿童难以执行操作任务。触觉传感器为机器人提供有关物理接触的信息，从而自主机器人手可以在非结构化环境中操作未知物体。现有技术中，基于触觉数据提出机器人抓取稳定检测、物体识别和探索和滑动检测方法，这些方法为机器人提供触觉反馈，但是不能应用于抓取位姿生成阶段，都需要触碰到目标，并未考虑整个抓取流程，从实现角度看，缺少一种主动生成触觉抓取力的方案，指导机器人完成不同灵巧和细粒度的抓取操作。因此，融合视触
技术实现思路
1、有鉴于此，本专利技术提供了一种机器人抓取获取方法，构建融合视触觉的抓取生成网络，获得对应目标的机器人抓取姿态和抓取力。
2、本专利技术提供了一种机器人抓取获取方法，包括：
3、通过模拟人类抓取操作构建抓取姿态和接触力信息的抓取表示算法；
4、建立抓取接触模型，并获取稳定无碰撞抓取约束条件，将抓取接触模型和稳定无碰撞抓取约束条件作为构建机器人稳定抓取的评价指标；
5、依据抓取目标与接触力之间的映射关系，训练机器人抓取力范围估计模块；
6、依据抓取表示算法、稳定抓取评价指标、抓取力范围估计模块和抓取姿态与抓取力映射关系，构建融合视触觉的抓取生成网络，所述抓取生成网络用于检测对应目标的机器人的抓取姿态和抓取力。
7、上述方法中，所述通过模拟人类抓取操作构建抓取姿态和接触力信息的抓取表示算法，包括：
8、在目标物点云表面随机提取采样点p1，以p1为起点随机找到一个物体表面另一个接触点p2，得到一对可行抓取接触点(p1,p2)，两个接触点中心为末端执行器位置p，将3d空间中的抓取姿态表示为g＝(p,φ)，其中抓取位置抓手角度
9、抓取力公式表示为f＝μmg，其中m和μ分别表示抓取目标质量和表面摩擦系数；
10、机器人抓取算法为：
11、g＝(x,y,z,φ,f)
12、其中，f∈[0,10]表示期望抓取力。
13、上述方法中，所述建立抓取接触模型，包括：
14、满足力封闭的条件是物体与夹持器左右两侧接触点的连线均在两点摩擦锥的内部，将把夹持器与物体接触面分解成多个接触点；
15、建立抓取接触模型：
16、
17、其中，为摩擦锥代数表示，表示手指作用在物体上的广义力。
18、上述方法中，所述建立抓取接触模型，并获取稳定无碰撞抓取约束条件，包括：
19、在该抓取接触模型内，物体与刚体手指只接触于一点，且该点存在摩擦力和法向力，两物体不发生相互滑动需满足静滑动摩擦力大于且等于物体所受切向分力的条件,以作为稳定无碰撞抓取约束条件，即：
20、ft≤μf3
21、临界状态下：
22、ft＝μf3
23、
24、其中f为接触点作用力、ft为沿物体表面的切向分力、f3为沿物体表面法向分力、μ为静摩擦因数；
25、满足力封闭条件下，在物体表面k个触点上施加力来平衡所有的旋量，建立抓取旋量空间，以作为稳定无碰撞抓取约束条件，即：
26、
27、其中w为k个物体表面旋量和，wi为物体表面旋量，通过计算抓取旋量空间中原始接触力螺旋几何的凸包所包含的中心位于远点的最大内切球半径判断是否碰撞。
28、上述方法中，所述依据抓取目标与接触力之间的映射关系，训练机器人抓取力范围估计模块，包括：
29、根据二维图像以及，抓取目标与接触力之间的映射关系，获得接触力，将所述接触力输入3×3卷积模块，以生成特征
30、特征经过3个卷积核为3×3和8个卷积核为5×5的反转残差-线性瓶颈层模块，得到增强的特征表示为：
31、v＝se(v1+v2)
32、其中se表示卷积模块操作；
33、其中，训练过程使用h-wish激活函数，relu6为非线性激活函数，得到：
34、
35、将增强的特征进行自适应的平均池化，通过1×1卷积层提取得到目标特征，将目标特征输入1×1全连接层，由所述1×1全连接层进行抓取力范围f∈[0,10]的预测；
36、将预测结果与预设的样本范围进行比对，以获得损失值，当损失值小于等于预设损失阈值或者训练次数达到预设次数阈值时，确定训练完毕，获得训练好的机器人抓取力范围估计模块。
37、上述方法中，所述依据抓取表示算法、稳定抓取评价指标、抓取力范围估计模块和抓取姿态与抓取力映射关系，构建融合视触觉的抓取生成网络，包括：
38、将根据抓取姿态与抓取力映射关系获得的抓取力，以及，抓取目标的无序点云，作为待训练的抓取生成网络的输入{p1,p2,…,pn}，其中，点云数量设置为750个，抓取生成网络对每个抓取目标的抓取进行预测，获得抓取位姿和抓取力，表示为：
39、
40、其中γ为特征提取函数，h为利用多层感知机网络使点云从低维映射到高维的映射函数。
41、上述方法中，所述多层感知机网络由采样层、聚集层和pointnet层串联形成；
42、抓取生成网络对每个抓取目标的抓取进行预测，获得抓取位姿和抓取力，包括：
43、随机选择一个初始点，采样层使用最远点采样法进行目标点数的采样，得到各采样点；
44、以各采样点为中心确定半径为r的球，将球包含的点云作为一簇{p1i,p2i,…,pni}；
45、将大小为n×(d+c)的点集和n'×d的中心坐标输入聚集层，输出大小为n'×k×(d+c)的点集组，其中，n为点数，n'为中心点数，k为中心点领域中的点数，d为点的维度，c为每个点特征的维度；
46、pointnet层对每个点集组的中心点附近聚集的点云提取局部结构特征n本文档来自技高网...
【技术保护点】
1.一种机器人抓取获取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过模拟人类抓取操作构建抓取姿态和接触力信息的抓取表示算法，包括：
3.根据权利要求1所述的方法，其特征在于，所述建立抓取接触模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述建立抓取接触模型，并获取稳定无碰撞抓取约束条件，包括：
5.根据权利要求1所述的方法，其特征在于，所述依据抓取目标与接触力之间的映射关系，训练机器人抓取力范围估计模块，包括：
6.根据权利要求1-4中任一所述的方法，其特征在于，所述依据抓取表示算法、稳定抓取评价指标、抓取力范围估计模块和抓取姿态与抓取力映射关系，构建融合视触觉的抓取生成网络，包括：
7.根据权利要求6所述的方法，其特征在于，所述多层感知机网络由采样层、聚集层和PointNet层串联形成；
【技术特征摘要】
1.一种机器人抓取获取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过模拟人类抓取操作构建抓取姿态和接触力信息的抓取表示算法，包括：
3.根据权利要求1所述的方法，其特征在于，所述建立抓取接触模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述建立抓取接触模型，并获取稳定无碰撞抓取约束条件，包括：
5.根据权利要求1...
【专利技术属性】
技术研发人员：李彤，安静，贾庆轩，陈钢，阎宇航，
申请(专利权)人：北京邮电大学，
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。