多指抓取内力的简单算法

根据外界干扰力所引起的最大指尖力变化,可以计算出稳定抓取所需要的最小内力.文中对多面体的多指抓取规划问题提出一种简单算法,可以计算抓取所需最小内力,在保证计算精度的情况下大大减少计算量.通过两个算例验证了该方法的有效性.     

轻型抓取机器人的优化设计与路径规划

针对一种轻型抓取机器人,对其进行了构型优化设计和相关工作路径的研究.在各臂旋转到同一条直线上时,以对各个关节的转动惯量最小为优化目标,得出轻型抓取机器人各臂的最优臂长,并针对抓取时的稳定性进行了设计.运用三次多项式对机器人的点到点运动和有中间点的运动进行了轨迹规划,得到了各个关节的位移和角速度方程,并用实例进行了计算.利用Matlab Robotics工具箱对轨迹规划的结果进行了验证.     

面向精细抓取的刚软耦合仿人手作用力优化

针对精细抓取模式下刚软耦合仿人手柔顺接触的特点,为使其具备类人手的抓取作用力施加能力,首先建立仿人手的抓取力平衡方程和约束优化函数,进而提出基于外罚函数的手指最小作用力优化方法．仿人手可通过施加合适的力实现对不同物体的稳定抓取,有效避免手指在抓取过程中使物体产生大变形或抓取失败．实验结果表明：每个手指作用力的测量平均值与理论计算值的绝对误差基本处于0～0.14 N范围,相对误差为0～18.57%范围,所提方法满足了刚软耦合仿人手在精细抓取模式下稳定可靠地抓取不同物体的需求．     

基于改进Cascade R-CNN模型的机器人抓取检测研究

为提高多物体抓取检测网络的抓取检测准确率，提出一种基于改进Cascade R-CNN模型的机械臂抓取检测算法.首先，引入ResNeXt结构能够在不加大网络设计难度的前提下提高了模型的准确率；引入带空洞卷积的空间金字塔池化模块以解决分辨率较低的问题；接着对抓取框回归分支和角度分类分支以分治方法进行优化.其次，针对多物体抓取数据集缺乏的问题，构建多目标抓取数据集(multi-object grasping dataset, MOGD),有效地扩充了多物体抓取检测数据集.最后，基于改进Cascade R-CNN模型设计抓取检测网络，实验结果表明，改进后的算法效率更高，PI-Cascade R-CNN实验准确率为93%,较Cascade R-CNN提升1.5个百分点.     

机器人多指手的多目标优化抓取规划

针对有摩擦点接触条件下的多指抓取模型,借鉴人手抓取经验,提出了接触安全裕度概念.通过修正摩擦锥约束条件,建立了具有一定接触安全裕度的非线性内力优化模型,用于求解合适的接触力.为获取最优的抓取位形,将物体位姿参数作为变量,确定接触力与多指手关节力矩的关系,基于多指手关节空间内的转角位置度和相对承载能力性能指标,建立了多指抓取的多目标优化模型.最后,以三指手抓取系统为例进行了分析求解,并利用多目标粒子群优化算法进行物体位姿规划,获取了规划模型的非劣解前沿.结果表明,该方法能在保证安全抓取条件下,有效改善多指抓取的综合性能.     

机械手抓取排序问题(MSP)的最小权匹配算法

介绍了中药电子调配中心机械手抓取排序问题（MSP），并分析描述了其运行过程；在分析中药电子调配中心机械手抓取药材运动过程的基础上，建立了MSP的网络模型，并给出了求解MSP的“最小权匹配算法”；对“最小权匹配算法”的证明及实例研究表明，最小权匹配算法具有性能比为3／2的优良性质，应用该算法求解MSP可较好地提高计算效率。     

基于IMediaDet的视频捕获关键技术研究

在图像处理应用中,抓取视频图像对视频进行加工是非常重要的.针对传统的基于VFW技术的方法不能提供流数据等问题,探讨了一种简单的利用IMediaDet实现视频抓取的方法,详细研究了图片的结构、抓取帧的计算方法等,并在CJHJ环境中利用该方法实现了一个视频抓取与回放系统,取得了良好的效果.     

基于IMediaDet的视频捕获关键技术研究

在图像处理应用中,抓取视频图像对视频进行加工是非常重要的.针对传统的基于VFW技术的方法不能提供流数据等问题,探讨了一种简单的利用IMediaDet实现视频抓取的方法,详细研究了图片的结构、抓取帧的计算方法等,并在CJHJ环境中利用该方法实现了一个视频抓取与回放系统,取得了良好的效果.     

基于完备抓取构型和多阶段网络的软体手抓取

视觉引导的软体手抓取依赖视觉输出正确的抓取位置、抓取角度和抓取深度,为此提出了面向多手指软体手的完备抓取构型数学模型和多任务损失函数,设计了基于"锚点"旋转框的两阶段深度学习网络,实现了从图像到软体多手指抓取指令的直接映射.通过公开数据库和自建数据库分析了网络模型的性能表现.研究结果表明:多任务损失函数和基于"锚点"旋转框的两阶段网络模型有效提高了多输出抓取检测的准确率和机器人抓取的成功率.最后,构建了机器人软体手抓取系统,抓取实验结果表明:所提方法对视觉定位误差具有一定的抓取稳健性,可成功抓取不同种类的水果,能够达到96%的抓取成功率,对水果皮的抓取也具有很好的泛化能力.     

基于抓取模式识别的欠驱动灵巧手抓取方法

针对桌面上单个物体场景的抓取任务,提出一种基于抓取模式识别的欠驱动灵巧手自主抓取方法．受人类抓取策略启发,基于四种典型抓取模式建立物体的抓取模式数据集,并通过深度学习预测物体的抓取模式和抓取区域,利用图像处理获得抓取角度,从而简化欠驱动灵巧手的抓取规划．深度学习算法在测试集中的识别准确率达98.70%,对未知物体的识别准确率达82.70%,具有较好的泛化能力．当执行自主抓取时,深度学习方法的不准确性通过欠驱动手的自适应性得到了一定的补偿．通过UR3e机械臂搭载欠驱动灵巧手对24个物体进行抓取实验,在120次抓取中平均成功率为90.80%．实验结果表明所提方法能适应不同形状大小的物体,具备抓取实用性．     

基于非线性测度的机器人抓取动态稳定性

为了研究多指手机器人非线性抓取系统的动态稳定性,引入了l2-范数下非线性算子测度;证明了非线性算子测度类似于矩阵测度对线性系统平衡点唯一性的作用,可以用来分析非线性系统平衡点的唯一性和稳定性;应用非线性测度得到了多指手机器人抓取的动态稳定性,抓取系统靠近抓取平衡点的收敛速度及平衡点吸引域的估计;最后应用抓取实例验证了所得结论.结果表明,可以通过调节抓取系统参数使得抓取指数渐近稳定.     

基于视觉前馈和视觉反馈的仿人机器人抓取操作

针对仿人机器人执行抓取操作,提出了一种联合使用视觉前馈和视觉反馈的控制策略. 在视觉前馈中利用基于表格的逆运动学算法,简化了逆运动学计算,减少了抓取操作时间. 视觉反馈补偿了弱标定并增加了系统的稳定性. 两种控制算法的联合使用简化了仿人机器人的伸手抓取操作. 实验结果验证了该控制策略的可用性.     

一种机械臂像素级抓取检测方法的研究

目的 针对在平面抓取的场景下,机械臂如何感知目标物体的位置信息并完成抓取作业,提出了一种兼顾检测速度和精度的抓取检测网络。方法 根据抓取检测任务中输入与输出尺寸大小相同的特点,采用语义分割思想设计了抓取检测网络;输入为随机裁剪后的深度图片,输出为同尺寸的抓取置信度、抓取角度和抓取宽度特征图;为了提高平面抓取任务的效率,在综合考虑检测网络速度和精度的情况下,对网络结构进行了改进,除了在网络结构中加入了注意力机制外,还使用U-net和Deeplabv3算法替换了网络的主体结构;通过对比实验认为加入注意力机制的检测网络在检测速度和检测精度上平衡得较好,能够实现抓取任务,将抓取位姿传输给ROS系统,通过一系列的坐标变换和运动规划进行了抓取作业。结果 添加注意力机制后,检测网络的推理时间仍为毫秒级,最大抓取置信度提高了7.2%;采用U-net和Deeplabv3的网络检测速度较慢,U-net网络的抓取置信度Q_max提高了18.8%,Deeplabv3网络的准确率A_cc提高了12.8%;由于抓取检测网络应同时考虑检测速度和精度,因此加入注意力机制的检测网...     

多指手机器人抓取系统的稳定性

针对多指手机器人抓取系统,引入了密度函数用于研究其线性及非线性系统的稳定性,得到了使抓取系统的平衡解几乎处处渐近稳定的不等式条件.当抓取系统对几乎所有的初值满足不等式条件时,所考察的非线性系统的平衡解是几乎处处渐近稳定的.     

基于触觉阵列感知的机器人稳定抓取判别方法

针对传统的单点压力传感器获取的接触力无法完备反映机器人的抓取接触状态,难以实现准确的机器人抓取状态判别的问题,基于触觉阵列传感器的多点感知特性,提出一种高效高准确率的机器人稳定抓取判别方法．首先,采集机器人抓取属性各异物体时的接触分布力信息,建立分布力与触觉图像的映射,构建机器人抓取触觉图像数据集;基于多层感知机框架建立机器人抓取状态判别模型,实现机器人抓取状态的分类．然后,通过训练并对多层感知机在不同模型层数与节点数下的模型性能进行优选,得到抓取状态判别模型的最优参数,进而与多种基于学习的抓取判别算法进行对比．结果表明：所提出的抓取状态判别方法具有99.74%的判别准确率,平均耗时为2.3 ms,在判别精度和速度上均优于基线算法;通过实物抓取实验,该方法的判别准确率达到94%,充分证明其对数据集外物体的稳定抓取判别具有较强的鲁棒性．     

人手抓取特性与机械手神经网络抓取策略

分析了人手抓取的各种姿态,提出了３种基本的抓取姿态结构,并举例说明了人手的阎姿态分解为３种基本姿态的组合,基于人手的巧手性,机械手的抓取可模仿人手的抓取特性,根据姿态,物体,任务之间的关系,提出了神经网络规划的抓取方法,并设计相应的神经网络。     

机器人多指协调操作中抓取力的实时控制

提出了一个通用的抓取力实时控制算法．推广了抓取力的定义,探讨了抓取力存在性．定义了最优抓取力,给出了计算最优抓取力的具体算法．其核心是把抓取力的大小与方向分开处理,在抓取规划阶段确定抓取力的方向,在任务操作时仅调整抓取力的大小,而方向保持不变．该算法能很好地满足协调操作中力控制的实时性要求．仿真结果显示了其优越性．     

基于视触融合的机器人抓取滑动检测

提出一种基于视触融合的深度神经网络(VTF-DNN)感知算法,用以检测在机器人抓取和操作过程中发生的抓取物体和夹具之间的滑动现象.首先,通过设定不同的抓取位置和力度来抓取不同的物体,收集视觉和触觉序列数据构建视触融合数据集,并用于训练VTF-DNN;触觉数据由安装在夹具上的阵列触觉传感器采集,视觉数据由腕部相机采集.然后,为了验证所提出视触融合感知框架的性能,在某个未参与训练的物体上进行了滑动测试,共进行了464次抓取,采集了2320个视觉和触觉序列样本,分类准确度达92.6%.最后,实验验证了所提框架在滑动检测任务中的高效性以及视触融合在滑动检测任务中的必要性,为更加稳定和灵巧的机器人抓取和作业系统提供了理论基础和技术支撑.     

基于CFFCA的全驱动五指灵巧手抓取研究

为精确控制灵巧手对目标物体的抓取,针对灵巧手对目标物体的抓取控制实时性不高的问题,设计了全驱动五指灵巧手试验样机DH-MN-I。分析了单根手指的正运动学与逆运动学,提出了接触力反馈控制算法( CFFCA: Contact Force Feedback Control Algorithm) ,利用压力传感器的反馈值,实时控制灵巧手和目标物体之间的接触力,并且详细描述了灵巧手的强力抓取和精确抓取两种抓取模式。在全驱动五指灵巧手试验样机DH-MN-I 上的实验证明,在两种抓取模式下该算法对两种尺寸的目标物体实现抓取控制是可行的。利用提出的接触力反馈控制算法可控制全驱动灵巧手和目标物体之间的接触力,实现灵巧手对不同大小的目标物体的稳定抓取操作,实验结果表明,该算法实时性较好,有很高的灵巧性,具有应用价值。     

基于振动摩擦的铲式柔性机械手的研究

软性物体的抓取中存在挤压和摩擦两个关键问题。挤压可导致物体变形,摩擦可导致物体表面损伤。目前的研究大多着眼于实时采集抓取过程中的力学数据并构建智能反馈系统以准确控制抓取力,达到无损抓取目标。此类系统结构复杂,成本较高,难以实现实用化与市场化。该文提出一种基于振动摩擦的铲式柔性抓取方案。采用铲式机械手,以铲起代替夹持动作,从而有效避免挤压损伤现象;利用振动摩擦原理有效减轻摩擦,以避免表面擦伤划伤现象。计算表明该方案效果优于传统做法,而成本低于智能式机械手,具有一定的实用价值和市场前景。