[发明专利]一种基于深度投影的机械手爪抓取规划方法及控制装置

说明书

本发明公开了一种基于深度投影的机械手抓取规划方法及控制装置，主要包括利用场景深度信息，生成抓取位姿正负样本，进行抓取选择神经网络的训练，根据当前场景深度信息，生成候选抓取位姿样本，并用训练好的网络获得最优抓取位姿等步骤，控制装置，包括第一运算模块和控制模块，将机械手爪调整至最优抓取位姿进行抓取。本发明综合了机械手爪的尺寸信息等，该抓取规划方法能够适应于不同种类的机械手爪，无需对待抓取物体建模、能够适应不同物体和手爪尺寸、不受光照变化影响的快速抓取规划方法。

技术领域

本发明属于机器人装配领域，尤其涉及一种基于深度投影的机械手抓取规划方法及控制装置。

背景技术

现有的抓取规划方法，基本可以分为基于解析的抓取规划方法和基于学习的抓取规划方法。

基于解析的抓取规划方法在抓取合成阶段，首先定义一些如立方体、球、圆柱、圆锥等这样的基础形状，同时定义他们相对应的可能抓取位姿，然后利用形状单元(shapeprimitives)、分解树(decomposition trees)或者最小体积包围盒(minimum volumebounding box)等不同的方法对物体进行分解，分解成上述的基础形状。最后按照预定义的候选抓取位姿，将每一个分解出的基础形状对应的候选抓取位姿全部取出，组合成整个物体的候选抓取位姿。而在抓取选择阶段，通过在GraspIt！或OpenRAVE等仿真环境进行抓取仿真,获取每一个手爪与物体的接触点处的六维力旋量信息，进而求取ε度量或者凸包体积度量，从而选出具有最大度量值的抓取位姿，作为最优抓取位姿。

基于学习的抓取规划方法通常利用已有的抓取场景信息及对应的成功与不成功抓取位姿等作为样本，离线训练用于抓取规划的神经网络。而在线部分，用工作场景的RGB或者RGB-D的数据作为输入，经过已训练好的模型，直接输出最优抓取位姿。

基于解析的方法在计算速度上优于基于学习的方法，然而对于基于解析的方法，需要对机械手爪以及被抓取物体进行精确三维建模，而这对于具有庞大数量的待抓取物体进行建模几乎是不现实的。特别是对于可变形物体，如毛绒玩具等，根本无法构建出可用的静态模型。而基于学习的方法虽然不需要对待抓取物体和机械手爪进行精确建模，但是由于滑动窗口方法的采用，导致规划速度上远不如基于解析的方法，同时该类方法由于直接采用RGB数据作为网络模型的输入，对光照稳定性有较高的要求。

发明内容

针对现有技术的问题，本发明提供了一种无需对待抓取物体建模、能够适应不同物体和手爪尺寸、不受光照变化影响的快速抓取规划方法及控制装置。

本发明是通过以下技术方案来实现的：

本发明公开了一种基于深度投影的机械手爪抓取规划方法，所述的方法主要包括如下步骤：1)、利用场景深度信息，生成抓取位姿正负样本，进行抓取选择神经网络的训练；2)、根据当前场景深度信息，生成候选抓取位姿样本，并用训练好的网络获得最优抓取位姿。

作为进一步地改进，本发明所述的步骤1)的步骤如下：

a、获取合成的场景深度信息，所述场景深度信息由待抓取物体与待抓取物体的承载物合成；

b、将合成的场景深度信息投影到抓取位姿投影平面上，生成抓取位姿正负样本；

c、利用训练样本信息训练抓取选择神经网络，所述训练样本信息包括抓取位姿正负样本以及对应抓取位姿是正样本或负样本的标签。

作为进一步地改进，本发明所述的步骤2)的步骤如下：

a、获取当前场景深度信息，利用当前场景深度信息生成候选抓取位姿的坐标系，获得在候选抓取位姿的坐标系下合成的当前场景深度信息，所述当前场景深度信息由当前的待抓取物体与待抓取物体的承载物合成；

b、将合成的当前场景深度信息投影到候选抓取位姿投影平面，生成候选抓取位姿样本；