基于深度卷积网络的机械臂抓取方法研究
作者单位:西南科技大学
学位级别:硕士
导师姓名:楚红雨;杨小川
授予年度:2023年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 080202[工学-机械电子工程] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
摘 要:随着科学技术的发展,机械臂在生产生活中的应用越来越广泛。然而,在实际作业场景中,机械臂的应用面临着环境复杂多变、目标未知等严峻挑战。尤其是非结构化环境下,物体的抓取位姿检测仍然是一项难度较大的工作。针对透明物体的抓取位姿检测,由于商用深度相机成像过程中会出现的深度信息不准确而变得更加困难。本文对机械臂抓取位姿检测以及面向透明物体的深度图修复开展了研究,主要研究内容如下:(1)提出了一种基于深度可分离卷积的抓取位姿检测网络DSC-Grasp Net。设计基于深度可分离卷积的轻量级骨干网络以提取图像多层级特征,特征经CSP模块进行融合和逐级上采样后,经抓取生成头对抓取位姿进行预测。在网络训练阶段,使用基于高斯分布的软编码质量图以突出抓取区域中心位置的重要性,并设计位置增强型P-Huber损失函数,使得网络的学习更加聚焦于目标抓取区域。网络在Cornell数据集上达到了98.8%的图像划分检测精度和98.3%的对象划分检测精度,并在Jacquard数据集上达到了95.3%的检测精度,同时模型参数量为0.698 M,推理单张RGB-D图像耗时14 ms。(2)设计了一种轻量级透明物体深度图修复网络E2EDepth Net。为了增加网络内部的信息流动路径并提升网络的学习能力,基于密集跳层连接结构设计编码器-解码器架构。网络中特征提取单元基于融合e SE注意力的单次聚合模块设计,在编码器中设计了多层特征融合模块,在解码器设计中采用了稠密上采样卷积,以获取更为精细的深度修复结果。在TransCG透明物体深度修复数据集上的实验结果表明,E2EDepth Net的RMSE指标为0.014,准确率在精度阈值为1.05时达到了91.2%,推理一张图像耗时12.2 ms。同时,为验证深度图修复网络在透明物体抓取检测任务中的贡献,构建了透明物体抓取数据集,在该数据集上的实验结果表明,E2EDepth Net能有效提升抓取检测网络的精度。(3)搭建了机械臂抓取系统,对硬件设备进行了标定,基于ROS搭建了软件平台,最后基于上述的抓取检测网络和深度图修复网络开展了抓取实验。在非透明物体抓取任务中进行了100次抓取尝试并达到了84%的平均抓取成功率,在透明物体抓取任务中进行了80次抓取尝试并达到了81.25%的平均抓取成功率,验证了本文两个网络在机械臂抓取任务中的可行性。