基于深度学习的机器人抓取系统研究

发布时间：2023-07-01 12:36

　　近年来,随着人类对智能化抓取机器人需求的不断提升,基于人工智能算法的抓取机器人逐渐成为科研机构和公司的热门研究方向。本文设计了一套基于深度学习检测算法的机器人抓取系统,它能够根据图像判断物体位置,并实现抓取和放置动作。主要工作包括:抓取机器人的运动学建模、基于单目视觉的目标位姿计算、基于深度学习的目标检测和抓取机器人系统平台搭建等。抓取机器人的运动学建模工作包括:建立了五自由度抓取机器人的DH运动学模型;采用几何解法求解得到逆运动学公式;通过Matlab仿真验证了正、逆运动学公式的正确性;根据机器人结构,分析了其有效的工作范围。基于单目视觉的目标位姿计算工作包括:根据相机的成像原理建立了眼在手外的单目视觉系统,得到了像素坐标系和世界坐标系的转换关系;通过张正友标定法求解摄像头内部参数;采用PNP算法对外部参数进行标定,从而弥补了场景变化对外参的影响;通过实验验证了基于单目视觉的位姿计算的准确性。基于深度学习的目标检测工作包括:采用基于深度学习的YOLO和Mask R-CNN算法训练目标物体的模型,实现对目标物体的类别的识别和位置的判断;比较以上两个算法,得出YOLO适用于实时检测场景,...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 研究现状
    1.3 本课题主要内容和章节安排
2 机器人运动学分析
    2.1 五自由度抓取机器人正运动学模型建立
        2.1.1 机器人关节描述
        2.1.2 五自由度抓取机器人正运动学模型建立
    2.2 逆运动学求解
        2.2.1 逆运动学公式求解
        2.2.2 确定机器人有效抓取工作空间
    2.3 本章小结
3 基于单目视觉的位置检测
    3.1 坐标系转换关系
    3.2 摄像机标定
    3.3 基于PNP算法的位置检测
    3.4 位置检测实验
    3.5 本章小结
4 基于深度学习的物体检测
    4.1 卷积神经网络
        4.1.1 卷积层
        4.1.2 池化层
        4.1.3 激活函数
        4.1.4 损失函数
        4.1.5 反向传播
    4.2 目标检测算法介绍
        4.2.1 基于Mask R-CNN的目标检测
        4.2.2 基于YOLO的目标检测
    4.3 实验环境介绍及数据准备
        4.3.1 Pytorch深度学习框架
        4.3.2 样本数据准备和分组
    4.4 检测算法实验及结果分析
        4.4.1 基于YOLO的目标物体检测模型设计与实验
        4.4.2 基于Mask R-CNN的目标物体检测模型设计与实验
        4.4.3 算法对比
    4.5 本章小结
5 实验
    5.1 实验系统搭建
        5.1.1 机械结构介绍
        5.1.2 控制系统介绍
    5.2 下位机软件设计
    5.3 上位机软件设计
    5.4 实验结果及分析
        5.4.1 简单背景下的抓取实验
        5.4.2 复杂背景下的抓取实验
    5.5 本章小结
总结与展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：3836262