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．     

欠驱动灵巧手的优化设计及仿真分析

传统欠驱动机械手的运动空间相对固定、操作功能单一,对抓取物没有较强的自适应性,为此设计一种新的连杆式欠驱动灵巧手机构,并进行设计优化和仿真抓取实验。阐述了该灵巧手的整体机构设计及工作原理,其可实现包络和指尖两种抓取模式。根据手指的几何尺寸采用协同耦合方式设计手掌尺寸,利用可变手掌协同手指抓取,提高了灵巧手在抓取形状复杂和不同尺寸物体时的自适应性。基于虚功原理建立灵巧手单指各关节的接触力模型,针对抓取过程中存在的抓取力不足及抓取不稳等问题,使用NSGA-II优化算法对单指机构的杆长进行尺度综合。利用建立的虚拟样机进行仿真抓取实验,结果表明,该灵巧手具有较强的自适应性,能够稳定抓取多种形状和尺寸的物体。     

五指仿人灵巧手运动学与动力学模型

对气动人工肌肉驱动的五指仿人灵巧手进行了运动学及动力学分析. 在Matlab上进行了仿真计算,建立了灵巧手的运动学模型并求得其解析解;同时用Newton-Euler方法对灵巧手进行了逆动力学分析,得出了灵巧手的动力学方程.通过基于灵巧手动力学模型和气动人工肌肉静态模型的主从控制实验,结果表明,可以通过数据手套采集关节的角度变化信息控制灵巧手完成抓取物体的动作.     

可侧摆腱驱五指灵巧手的设计与仿真

为了实现五指灵巧手对多种物体稳定抓取的目的,针对灵巧手结构复杂、成本高等问题,提出了一种基于蜗轮蜗杆驱动的手指侧摆方案,设计了一种以腱绳作为传动方案的仿人型五指灵巧手,具有驱动简单、质量轻、成本低等优点;利用D-H法建立了灵巧手指的运动学模型;且利用MATLAB的机器人工具箱,分析了手指的工作空间;利用ADAMS软件创建五指灵巧手的虚拟模型,分析了此单腱欠驱动灵巧手设计的有效性和抓取可行性。     

HIT/DLR多指手稳定抓取的控制策略

提出了一种新的多指灵巧手实现稳定抓取的位置/力矩控制策略.该策略基于阻抗控制的思想,在力矩控制器的基础上引入位置控制信息,并利用观测器对手指的控制模式进行切换.可以分别实现自由空间中的位置轨迹跟踪和约束空间中的精确力跟踪.虽然控制模式及输入信号在自由空间和约束空间有所改变,但核心的控制器都为同一个力矩控制器,可以保证过渡过程的平稳性,实现了多指手对物体实施精确的抓取.实验结果证明了该控制策略的有效性和可行性.     

滚动接触约束下机器人多指操作的协调运动规划

在多指手操作物体时,需要根据物体的运动规划各手指的运动,当手指与物体与滚动接触时,这一问题显得非常复杂目前。主要采用基于运动学的速度控制方法和主从规划方法,文中分析了这两种方法,指出它们都不是真正的协调运动规划,通过引入最优抓取所确定的抓取姿态集合约束和衡量抓取质量指标的函数,在不同的条件下,提出了不同的协调运动生成算法,通过应用香港科技大学多指灵巧手进行实验研究表明,在同样的操作任务下,协调运动     

变抓取力的欠驱动拟人机器人手

由于传统的灵巧手自由度过多,控制复杂,驱动和控制系统体积过大,因而无法用于拟人机器人上。该文设计了变抓取力的欠驱动拟人机器人手TH-1。其食指采用了新颖的变抓取力手指机构,可实现稳定抓取。其拇指采用了新型的欠驱动手指机构,可以用较少驱动器获得较多的自由度。TH-1手的电机、驱动与控制系统等完全嵌入手掌,在外观与尺寸上均与人手相似,具有质量小、自由度少、控制简单、结构紧凑、适应性强等特点。实验结果表明:TH-1手可成功安装于TH-1拟人机器人手臂,可完成常见伸展、握拳和以适当的力稳定抓取不同尺寸物体等拟人动作。该文研究的变抓取力机构和欠驱动机构也可应用于其他传动类型的手上。     

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.     

基于Kinect的机器人臂手系统的目标抓取

为了实现机器人臂手系统的目标抓取, 采用Kinect对目标信息进行实时检测. 首先,采用张正友棋盘标定法完成对Kinect内外参数的标定. 其次, 利用深度信息进行深度分割, 滤除大部分干扰背景, 再通过颜色与形状特征实现目标的识别与定位. 将识别对象的3维坐标通过以太网发送至机械臂控制台, 随后机械臂移动至目标位置. 最后采用变积分PID算法控制灵巧手接触力, 保证响应的快速性及精密性, 实现灵巧手的精细抓取. 通过设计一套完整的实验系统验证了该方法的有效性.     

空间五指灵巧手单指力柔顺控制系统设计

为了可靠稳定地抓握物体,空间五指灵巧手大多采用主动柔顺控制方法。针对单指研究了腱空间和关节空间两种阻抗控制方法。基于所研制灵巧手系统参数建立的动力学模型,对两种方法进行了仿真分析。仿真结果验证了腱张力分配算法和两种控制器设计的有效性。关节空间控制方法消除了耦合效应,从而具有更好的跟踪性能。     

空间五指灵巧手单指控制系统设计

空间五指灵巧手是空间仿人机器人的重要组成部分之一,用于实现空间站载荷组装、模块更换和空间精密操作等任务。主要介绍了单指的控制系统,采用N+1型腱驱动方案和阻抗控制来实现单指的位置控制和接触力控制。单指控制实验结果验证了控制系统的可行性。     

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．     

水下作业机械灵巧手接触力控制方案的研究

基于水下精细作业任务需求,阐述了手爪关节驱动形式的选择过程,满足水下作业灵巧手体积小、效率高、负荷大、结构相对简单的要求．并在此基础上,探讨了接触力控制液压回路设计的基本思路,双闭环接触力控制系统的工作原理．为了精确地控制手指与目标间接触力,液压伺服单元选用Moog公司的D633系列伺服阀,实现接触力连续控制．     

基于感兴趣区域的机器人抓取系统

智能抓取机器人能够代替人类完成高强度工作,为实现物体的准确定位,提升机器人抓取的成功率,对基于感兴趣区域的机器人抓取系统进行研究。对深度相机进行标定,对深度卷积神经网络损失函数进行改进,使用焦点函数代替传统的交叉熵函数,训练模型,得到目标的类别、二维包络框中目标的像素坐标值与深度值等信息。利用手眼标定方法将深度传感器坐标转换到机械臂基坐标系下,依据相机成像原理完成物体的定位。通过机器人逆运动学求解关节角度,驱动机器人实现抓取。对实验过程进行分析,在aubo_i5机械臂上进行实验验证。实验结果表明,目标的识别定位误差较小,平均精度值提升了2.36%,抓取的平均成功率达到93.4%,较改进前提升了13.4%,能够满足机器人抓取的需求。     

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.     

末端强力抓取的欠驱动拟人机器人手

为了实现自适应抓取效果、拟人化外观和具有末端强力抓取功能的机器人手,采用带轮传动、弹簧约束和活动套接的中部指段,设计了一种新型欠驱动手指机构。分析了该手指的强力抓取原理。由此设计了拟人机器人手——TH-3B手。TH-3B手外观、尺寸和动作模仿人手,有5个独立驱动手指、15个关节自由度、6个驱动电机,模块化程度高,结构紧凑,控制容易,质量小,成本低,对所抓物体的形状、大小自动适应,可以实现末端强力抓取,适用于拟人机器人上。     

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.     

变姿态下多指手抓取爆炸物的能力分析

将多指手代替单自由度的夹持器应用于排爆机器人中,以提高机器人处理爆炸物的能力.由于机器人姿态的变化将影响多指手的抓取能力,文中对影响多指手抓取爆炸物能力的手指抓取姿态及机器人姿态进行了研究,寻求最有利的抓取模式.同时,运用螺旋理论和BP神经网络寻求多指手最优的抓取姿态(即最优关节角)及不同机器人姿态下多指手抓取爆炸物的最大重量,并给出了最优的抓取位姿.考虑到爆炸物容易爆炸的特点,文中还研究了多指手在有限接触力作用下的抓取能力.     

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.     

—种欠腱驱动的四指机械手

文章提出一种欠腱驱动的四指机械手。每个多指节手指仅用一根腱驱动手指弯曲运动,与现有多指灵巧手和欠驱动多指杆机械手相比,这种欠腱驱动的四指机械手具有结构简单、紧凑,且能减少控制的复杂性、重量和成本,并能实现多功能地抓取不同物体的能力。