机器人抓取与操作简介

1. 机器人抓取与操作简介

1.1 抓取问题描述

抓取问题可描述为以下三个问题：

1. 抓取规划（Grasp Planning）

   给定一个物体，给定一个任务，给定一个手，怎么去抓这个物体才是最好的？

   在抓取规划中有两个比较重要的概念：

   形封闭（Form closure）：如果一组静止约束能阻止物体所有的运动，则可实现物体的形封闭，如果这些约束是由机器人手指提供的，则称之为形封闭抓握（form-closure grasp）。

   力封闭（Force closure）：可以理解为带摩擦的形封闭。考虑单个可移动物体和多个摩擦接触，如果一个物体因一组施加在物体表面的静态约束而不能发生任何位姿的改变，而这组静态约束完全由于机器人的手指施加在物体接触点处的力旋量决定，那么就成这种状态为力封闭状态，同时称这组抓取为力封闭抓取。

2. 抓取控制（Grasp Control）

   抓取控制是指通过与手接触来约束物体动力学，从而控制物体运动的问题。这个问题就是研究力控，包括手指末端的力控，触觉控制等，刚度控制，阻抗控制等等。很长一段时间，大家都在试图计算什么样的手指抓取力才是最优的，这里面以Martin Buss和李泽湘老师组的工作最为著名，将一个非线性优化问题转化成一个线性矩阵不等式问题，基本在几十毫秒左右可以得到优化结果。最近的这个方面的最好的工作应该算是DLR出来的 object-level impedance control（IJRR）。

3. 灵巧操作（Dexterous Manipulation）

   灵巧操纵物体。

1.2 抓取检测方法学

1.2.1 分析法

分析法是指使用多指机械手构造力封闭抓取的方法，该机械手灵巧、平衡、稳定，并表现出一定的动态行为。然后，抓取通常被描述为一个约束优化问题，其标准是衡量这四个属性中的一个或多个属性。

1.2.2 数据驱动（经验）法

基于数据驱动的方法依赖于对对象的候选抓取样本，并根据特定的度量来对它们进行排序。该过程通常基于一些现有的抓取经验，这些经验可以是启发式的，也可以是在仿真或真实机器人上生成的。如何采样抓取候选集，抓取质量如何被评估以及好的抓取如何被表示，不同数据驱动方法在这些方面都有所不同。

1.2.3 分析法 vs. 数据驱动法

与分析方法相反，遵循数据驱动范式的方法更加重视对象表示和感知处理，例如特征提取、相似性度量、对象识别或分类以及姿势估计。然后使用得到的数据从知识库或样本中检索抓取，并与现有的抓取经验进行比较。抓握的参数化不那么具体(例如，用接近向量代替指尖位置)，因此可以适应感知和执行中的不确定性。数据驱动方法不能保证上述灵巧性、平衡性、稳定性和动态行为的标准。它们只能通过经验加以验证。然而，它们构成了研究掌握动力学和进一步发展更接近现实的分析模型的基础。

1.3 数据驱动法的分类

基于数据驱动的方法可以按照机器人对抓取对象的了解程度来分类。目前比较成熟的还是抓取已知三维信息的物体。

1.3.1 抓取已知的对象

这类方法假设以前遇到过抓取对象，并且已经为它生成了抓取。通常，机器人可以访问包含几何对象模型的数据库，这些模型与一些良好的抓取相关联。这个经验数据库通常是离线建立的。一旦物体被识别出来，目标就是估计它的姿态并获得合适的抓取。

1.3.2 抓取相似的对象

很多情况下，抓取的目标对象与现有数据库的模型并不完全相同，但是在模型库中相似的同一类的物体，这便涉及到对相似物体的抓取。在目标对象被定位以后，利用基于关键点对应算法便可以将抓取点从模型库中存在的相似三维模型上转移到当前的局部对象中。由于当前的目标对象与数据库中的对象不完全相同，所以这类型的抓取算法是不需要进行六维姿态估计的。[Andrew等人](Miller A T, Knoop S, Christensen H I, et al. Automatic grasp planning using shape primitives[C]//2003 IEEE International Conference on Robotics and Automation (Cat. No. 03CH37422). IEEE, 2003, 2: 1824-1829. )提出了一种基于分类法的方法，该方法将对象划分为各个类别，每个类别均存在对应的抓取规范。[Tian等人](Tian H, Wang C, Manocha D, et al. Transferring Grasp Configurations using Active Lear