基于深度学习的物体抓取位置估计

1 研究背景及意义

基于深度学习的抓取算法能够适应形状各异、种类不同的物品。

2 研究现状

在物体抓取背景研究中，通过物体多视角特征或者计算物体位姿后在抓取模板库中，进行抓取位置匹配，比较适用于已知物体的抓取位置估计，而基于力平衡或力分析的方法可以适用于未知物体的抓取位置估计，但是计算的复杂度较高

3 抓取位置分析

4 抓取算法度量标准

5 抓取数据集介绍

6 抓取数据集预处理

7 假阴性检测

在模型测试过程中，会发现，虽然某些预测的抓取矩形框，不满足矩形度量的条件，如图所示，绿色的表示标定的抓取框，红色的框表示预测的抓取框，可以看到红色的抓取框并不满足上面提到的两个评估条件，所以在评估时，并不是一个很好的抓点参数，但是在实际效果可以看到，这是一个很好的抓点参数，这类预测结果称之为假阴性抓取检测结果，这是因为Cornell抓取数据集中，抓取位置标定并非详尽无疑，难免会出现假阴性结果的产生，从而导致了模型评估结果下降

8 抓取系统搭建

在搭建抓取系统过程中，需要进行机械臂与相机之间的手眼标定，获取一系列标定样本后，计算机械臂末端与相机坐标系变换关系

可以看到标定后的深度信息与彩色信息重合度非常高，所以可以断定此标定效果非常准确

9 机器人抓取展示

10参考文献