机器人
文章平均质量分 72
cocapop
这个作者很懒,什么都没留下…
展开
-
机器人抓取综述
的工作基础上,直接处理一个完整的场景点云或目标物体周围的局部区域,使用预训练的未知物体实例分割模型对物体进行分割,生成的抓地力的质量不依赖于精确掩模,端到端的实现复杂场景中对未知物体的抓取。:根据六自 由度目标位姿[1,2,3,4]或检测到的目标关键点[5,6]对这些 抓取点进行变换,从而规避了接触和抓取生成的物理推 理。基于学习的生成式抓取方法旨在克服几何启发 式的局限性,通常根据物理模拟器中的经验生成有意义 的6-DoF抓取【2个,基于无模型的抓取(基于数据驱动的抓取)原创 2024-04-28 21:26:26 · 813 阅读 · 0 评论 -
相机标定——四个坐标系介绍
世界坐标系是一个用于描述和定位三维空间中物体位置的坐标系,通常反映真实世界下物体的位置和方向。在很多情况下,世界坐标系被认为是固定不变的,即它的原点和方向是相对固定的。世界坐标系的坐标值通常是绝对的,即它们与特定的测量单位和空间尺度相关联。在像素坐标系中,图像被分割成一个个小的图像单元,每个图像单元称为像素。像素坐标系的原点通常位于图像的左上角,水平方向通常为u。相机坐标系是相机内部的一个坐标系,用于描述相机传感器内的图像信息。图像坐标系是指相机传感器成像平面的二维坐标系,即图像上的像素位置的坐标系。原创 2024-04-07 01:53:04 · 664 阅读 · 0 评论 -
机器人抓取 [ 题目/摘要 ] 更新中..
抓取以前未知的物体,一个没有3D模型的物体,是一个具有挑战性的问题。给定一个物体的两张(或更多)图像,我们的算法试图在每个图像中识别几个点,这些点对应于抓取物体的良好位置。这与标准的密集立体形成鲜明对比,后者试图对图像中的每个点进行三角测量(并且通常无法返回良好的 3D 模型)。我们用于从图像中识别抓取位置的算法是通过监督学习进行训练的,使用合成图像作为训练集。我们的算法成功地抓取了各种各样的物体,如盘子、胶带卷、水壶、手机、钥匙、螺丝刀、订书机、粗线圈、形状奇特的电源喇叭等,这些在训练集中都没有出现。原创 2024-02-04 21:45:45 · 838 阅读 · 0 评论 -
机器人抓取中的混淆概念
具体地说,基于经验的方法可能会使用传统的机械抓取算法,但也可以通过使用机器学习技术来改进和优化这些算法。例如,在基于经验的方法中引入一些学习模块,这些模块可以从经验中学到的数据中提取有用的信息,并用于调整和改善抓取策略。这样的方法被称为“学习增强的基于规则的方法”。虽然端到端的方法通常使用神经网络或其他深度学习模型,但并不是所有基于经验的方法都不使用神经网络。实际上,一些传统的基于经验的方法可能会结合神经网络或其他机器学习技术,以更好地适应复杂的抓取任务。是否依赖先验知识和手工设计的特征(基于经验的方法)原创 2024-02-04 17:54:00 · 730 阅读 · 0 评论 -
机械臂运动规划、抓取末端执行器、抓取开源项目
假设抓取点已检测到。这些方法设计了从机器人手到目标物体抓取点的路径。这里运动表示是关键问题。虽然存在从机器人手到目标抓握点的无限数量的轨迹,但是由于机器人臂的限制,许多区域无法到达。因此,需要对轨迹进行规划。主要有三种方法,如传统的基于DMP的方法、模仿学习的方法和基于强化学习的方法。一般而言,检测到抓取点后,运动规划常用ROS MoveIt组件实现。原创 2023-12-02 17:01:47 · 442 阅读 · 0 评论 -
抓取检测(Grasp Dection)
抓取检测被定义为能够识别任何给定图像中物体的抓取点或抓取姿势。抓取策略应确保对新物体的稳定性、任务兼容性和适应性,抓取质量可通过物体上接触点的位置和手的配置来测量。为了掌握一个新的对象,完成以下任务,有分析方法和经验方法。分析方法根据抓取稳定性或任务要求的运动学和动力学公式,选择手指位置和手部构型,经验方法根据具体任务和目标物体的几何结构,使用学习算法选择抓取。根据是否需要进行目标定位,需要确定目标的姿态,进一步将其分为三类:具有已知定位和姿势的方法、具有已知定位和无姿态的方法、无定位和无姿态的方法。原创 2023-12-02 16:13:47 · 520 阅读 · 0 评论 -
Robot Grasp[Code with paper]
题目/摘要重点。原创 2023-12-02 12:11:11 · 382 阅读 · 0 评论 -
机器人抓取检测技术的研究现状
使用学习的方法检测抓取可分为两大类,如图6 所示:一是基于抓取检测的抓取方法(需要一个单独 抓取规划控制系统),通过抓取检测方法生成抓取位 姿,再使用单独的规划控制系统基于轨迹规划生成轨 迹,实现完整的抓取;首先,基于环境限制和机械手与物体模 型进行抓取检测,抓取检测是指找到满足与抓取任 务相关的一组候选抓取位姿的过程;在在线阶段,将场景进行分割,识别出物体,找 到物体模型数据库中的物体与之对应,然后进行物体 姿态估计,根据位姿检索找到抓取经验数据库中的抓 取位姿,最后进行抓取选择和可达性过滤,执行抓取.原创 2023-09-10 16:08:34 · 1028 阅读 · 0 评论 -
机器人抓取检测——Dex-Net
简单说一下Dex-Net系列算法。Dex-Net共包括1.0--4.0四个版本,1.0为传统的解析法。2.0基于深度学习对平行板抓取配置进行质量评估,3.0针对吸盘进行设计,4.0结合了2.0和3.0两个算法。如何利用少量数据集学习一个端到端网络或者整个方法中的一个子网络,实现堆叠场景中的平面抓取检测亟待解决。算法输入为深度图,输出为平面抓取表示,即坐标点和抓取角,然后张开平行板抓取器至最大并垂直抓取。算法主要包括两部分:采样抓取候选,抓取质量评估。原创 2023-05-06 19:37:14 · 1423 阅读 · 0 评论 -
灵巧手抓持<分类><仿真>
基于模型的方法:建立灵巧手抓持相关的运动学和动力学模型+建立目标函数+求解最优抓取类型——缺:求解多个优化函数,运算复杂,计算量大。基于数据驱动的方法:利用经验信息和传感信息对数据进行分析,求解得到抓持类型——特点:更关心物体的表达和识别感知过程。获取灵巧手抓取物体时的抓持类型,需要考虑:手本身的结构、被抓取物体的形状尺寸、抓持操作任务的条件。研究方法:基于模型的方法、基于数据驱动的方法。原创 2023-03-06 12:08:18 · 819 阅读 · 0 评论 -
机器人抓取基础
视觉伺服控制:视觉伺服,一般指的是,通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像,通过图像反馈的信息,来让机器系统对机器做进一步控制或相应的。找到理想抓取配置的抓取假设的子集包括:机器人将执行的任务类型、目标物体的特征、关于物体的先验知识类型、机械爪类型,以及最后的抓取合成。视觉伺服的目的:通过将相机连续获得的图像与参考图像进行比较,引导操纵器到达机器人能够完全看到物体的位置,从而满足抓取检测条件。基于视觉的机器人抓取——从物体定位、物体姿态估计到平行抓取器抓取估计:综述。原创 2022-12-05 22:24:21 · 465 阅读 · 0 评论