一种基于稀疏卷积神经网络的机械臂无序抓取方法、存储介质和电子设备技术

本发明专利技术公开了一种基于稀疏卷积神经网络的机械臂无序抓取方法、存储介质和电子设备，包括:在Pybullet物理仿真环境中搭建抓取场景；仿真环境中根据场景点云进行抓取点采样，生成训练样本及标签；构建PointGrasp‑Net模型，对PointGrasp‑Net模型进行训练，得到最优权重参数。本发明专利技术在仿真环境中采集数据，摆脱真实环境的限制，节省成本。本发明专利技术中PointGrasp‑Net网络模型只对有效的3D场景点进行处理而非整个点云空间，计算速度快，能够实时生成抓取姿态，并且根据点云数据的特点，融入了点云的曲率和法线信息，提高抓取成功率。在物体的表面点云上随机生成抓取姿态，不受物体形状结构的影响，随机无序抓取，适用于非结构化场景。

【技术实现步骤摘要】

本专利技术涉及械臂抓取，尤其涉及一种基于稀疏卷积神经网络的机械臂无序抓取方法、存储介质和电子设备。

技术介绍

1、目前，随着国内经济的发展，人们的生活有了很大的提高，各种科技的进步，给人类带来了许多便利；以机械臂为代表的机器人应用，逐渐出现在大众的面前。对机械臂来说，最突出的特点，为其能够像人类一样抓取物体。对抓取这种操作来说，不仅仅与物体本身有关，更与物体所在的场景有关。而理解场景，并从中获取机械爪的抓取姿态，是令机械臂能够完美抓取物体的关键问题所在。

2、现有的抓取姿态的生成，大多是从rgb图片出发，获取物体的二维平面抓取点，缺少对三维场景的理解，很容易出现抓取失败的情况。而一些通过三维点云获取抓取姿态的方法，因计算量的原因，往往进行很大程度的场景压缩，造成了场景信息的缺失。在各种针对三维点云理解的深度学习中，大多基于点云的空间坐标进行特征提取，譬如点的法线及点云曲率等关键信息并未充分利用。

技术实现思路

1、本专利技术的目的是提供一种基于稀疏卷积神经网络的机械臂无序抓取方法、存储介质和电子设本文档来自技高网...

【技术保护点】

1.一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于：包括如下步骤：

2.根据权利要求1所述一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于，所述步骤1具体包括以下步骤：

3.根据权利要求1所述一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于，所述步骤3中的重复U-Net模块以插入通道注意力模块的残差模块作为主要构成单元，构成左侧下采样和右侧上采样，左侧下采样包括多个卷积模块，每个模块都包含子流形稀疏残差模块、多批量归一化处理、修正线性单元和用于下采样的空间稀疏卷积层；右侧上采样同样由卷积模块构成，包括子流形稀疏残差模块、多批量归一化处理、...

【技术特征摘要】

1.一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于：包括如下步骤：

2.根据权利要求1所述一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于，所述步骤1具体包括以下步骤：

3.根据权利要求1所述一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于，所述步骤3中的重复u-net模块以插入通道注意力模块的残差模块作为主要构成单元，构成左侧下采样和右侧上采样，左侧下采样包括多个卷积模块，每个模块都包含子流形稀疏残差模块、多批量归一化处理、修正线性单元和用于下采样的空间稀疏卷积层；右侧上采样同样由卷积模块构成，包括子流形稀疏残差模块、多批量归一化处理、修正线性单元和用于上采样的空间稀疏卷积层；重复u-net模块输出到多头输出模块，输出模块均由子流形稀疏卷积构成。

4.根据权利要求3所述一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于，所述多头输出模块包括三个子流形稀疏卷积层和三个激活函数，多头输出模块的输入来自重复u-net模块，每个输出头均经过三层归一化、激活函数及子流形稀疏残卷积，输出预测值。

5.根据权利要求3所述一种基于稀疏卷积神经网络的机械臂无序抓取方法，其特征在于，所述通道注意力机制包括用于采样的稀疏卷积层、用于全连接的子流形...

【专利技术属性】
技术研发人员：代震，董孟豪，连晨轩，万富瑞，陈慧彬，喻方，吴俊霆，牛薇然，李义，陈立家，王赞，
申请(专利权)人：河南大学，
类型：发明
国别省市：