机器人视觉伺服定位控制与目标抓取11.pptx

内容机器人抓取及其研究现状机器人抓取位姿判别基于视觉伺服的机器人定位控制机器人视觉反馈控制在工业上的应用□总结

-机器人抓取vs人的抓取□ 机器人抓取面临着挑战随着机器人技术的发展，机器人越来越多的融入到人的生活和工作环境中，代替人类完成各种作业，这必然要求机器人承担对比工业生产更加复杂的操作务，比如机器人端茶倒水，递送物品，自动拣握工具等等。智机器人代差了机器人发屐的尖端枝术，在曰常生活、医疗、航壬等领城县有广泛的用.一方面，我们希望机器人具备一定自主性学习和自协调能力t且能够通过学习掌握在新环境下操作的技能。另一面，机器人对物体抓取操作是其自主作业当中经常面临的一个问题，目前传统工业机器人定式的搵作方式，限制了机器人抓取的自主性.机器人抓取操作

-机器人抓取vs人的抓取□ 人抓取的特性：灵活自主对人而言，手不仅能够根据不同形状和不同尺寸的物体采取不同的抓取姿态(如图所示），而且人手抓取过程中，手的位置和方向能根据环境不断地自主调整。这反映出人抓取过程的自主性与协调性。然而，对于机器人，则是不同，因为目前绝大多数机器人的操作行为是在定式（标定）工作环境中进行的。改变传统定式的工作方式，攻克机器人灵巧自主抓取问题是当今机器人研究领域的一个难点和热点。余S1S0一般来说，抓取需要解决的两个基本问题：抓哪里，Where? 怎么去抓，How?

二机器人抓取研究现状解析抓取法解析法使用动力学评价准则(如:force-cl湖re)来估算抓取的稳定性，然后寻求合适抓取方案，使得这个评价准则达到最优。该方法属于传统的抓取方法，在2000年前占主导地位。抓取准则4力闭合手模型预选抓取点r动力学k执行结果抓取矢里抓取生成机器人系统评价系统最优抓取判定接触点目标模型任务约束该方法的前提要求：1)精确的机械手动力学模型、目标物理模型;2 )机槭手相对与目标物的位势倍息。

—机器人抓取研究现状经验学习抓取法首先通过观察学习人的抓取，根据任务约束、然后学习系统产生一种最佳的抓取模式，该方法的核心思想星基干模仿与学习理论。抓取$习/人工示范目标分割特征抓取抓取模式数据库特征ir抓取生成与判定fr1-=1. .大里执行结果机器人系统评价系统场景〆约束条件该方法的前提要求：1)完整的目标几何模型（2/3D)信息；2 )机器人视觉系统严格标定，已知机械臂动力学模型。

二机器人抓取研究现状抓取类型一：3D目标抓取1、一种基于局部随机采样一致性鲁棒几何描述的3D匹配与位势估计抓取方法，该方法在矂声、遮挡环境测试中取得良好抓取效果。实例13D几何匹配抓取实例23D位势估计抓取2、综合双目和单目视觉信息，以及物体表面与几何模型实现深度提取、目标区域分割，以及位势估计，该抓取系统在遮挡、光照变化的室内环境中实现了机器人抓取操作缺点：依赖于物体的3Df信息 3D计算复杂。

二机器人抓取研究现状r抓取类型二：2D位置学习抓取宣接从2D图像平面学习获取抓取位置，该方法首先采用人工标记抓取点的合成图像，提取分类图像特征向量，应用机器学习方法来训练抓点。机器人单抓取点学习机器人多抓取点学习该方法实施步骤：给定视觉扬景，习模型得出抓取点it奪抓取参数机器力学运动规划。

二机器人抓取研究现状r抓取类型三：高级人工智能学习抓取模仿抓取：通过观察人抓取目标的姿态，识别出人的抓取方式进而映射到机器人抓取系统中。机器人模仿抓取交互抓取：把人的操作嵌入到机器人的控制循环中，对机器人进行交互训练，使得机器人自动产生抓取动作，最终把人的抓取技能传授给机器人。人机交互抓取

二机器人抓取研究现状□ 综上抓取方法可知:解析建模抓取法需要対目标进行2D/3D建模，在复杂环境下建模精度难以保证。经验学习抓取法通过学习或模仿人的抓取，在一定程度上克服了解析抓取法建模的固有缺陷。但是，现有学习算法在稀疏样本学习中，算法的学习能力有限，机器人缺乏对新物体抓取的能力。基于解析法和经验法的机器人抓取过程中，手臂的协调与定位都是需要预先标定，而后求取机器人的逆动力学进行控制的。标定除了带来复杂的计算外，同时也限制了机器人应用的拓广。

R5S(Hiilni-ntpyer?)琳出层（OutputUy^)深度学习网络□ 深度学习2006年多伦多大学Hinton等人在Science杂志上提出，该学习算法避免了特征抽取过程中了人为的干预，同时深度学习解决了传统多层神经网络学习过程局部收敛和过适性问题，深受业内的广泛关注，如括谷歌、百度在内的众多机构成立专门的部门致力于该学习算法的研究。目前深度