[发明专利]基于共享神经网络的可抓取物体识别方法

说明书

基于共享神经网络的可抓取物体识别方法，属于智能机器人自主抓取领域。为了解决在训练数据有限条件下使机器人实现对物体的可抓取性判别和物体的种类识别问题。技术要点：对场景中物体支撑平面的参数估计；获得最终的物体分割区域；学习物体的图像特征；构建共享神经网络模型，将可抓取物体识别问题分解为物体可抓取性判别和可抓取物体识别两个子任务，实现由粗到细的可抓取物体有效识别；对共享神经网络模型进行预训练和模型训练，优化神经网络模型的参数；利用模型对物体的可抓取特性及可抓取物体的类别进行识别。该方法能够从有限的数据样本中获得稀疏可压缩的自学习图像特征，从而快速、准确的实现对可抓取物体的识别与分类，具有识别正确率高和可移植性好的特点。

技术领域

本发明属于智能机器人自主抓取领域，涉及一种基于共享神经网络的可抓取物体识别方法。

背景技术

机器人在对未知物体进行分拣及自主抓取之前，需要对物体的可抓取性进行判别，以及对可抓取物体种类进行检测与识别。根据人类的抓取经验，一个物体的可抓取性判别不仅取决于物体本身，还受机械手本身尺寸等信息的影响。由于机械手和一些物体尺寸之间的差异，有许多物体并不适合机器人的机械手进行抓取。如果机器人强行对这些物体进行抓取，则会导致抓取任务失败，甚至造成对机械手的损坏。机器人如果通过机器学习的方法进行可抓取物体识别，需要大量经过人工标记的物体和机器人手指关系的抓取样本数据，对机器人进行抓取学习训练。但获得大量的具有标记信息的训练样本数据，是十分困难的。

目前，与传统的拥有大量训练数据的机器学习问题相比，机器人对物体的可抓取性判别和物体的种类识别，只能依靠相对较少的数据进行模型训练，现有的方法无法很好地解决这一问题。因此，在训练数据有限的情况下，提出一种机器人对可抓取物体的识别方法，对于提高机器人的智能化程度是非常迫切和必要的。

发明内容

本发明提出了基于共享神经网络的可抓取物体识别方法，以解决在训练数据有限条件下，机器人实现对物体的可抓取性判别和物体的种类识别问题。

本发明为解决上述技术问题采取的技术方案是：

一种基于共享神经网络的可抓取物体识别方法，所述方法的实现过程为：

步骤一、采用随机抽样一致性算法(Random Sample Consensus,RANSAC)对原始图像中物体支撑平面进行拟合，以完成对场景中物体支撑平面的参数估计；

步骤二、采用基于RGB-D融合信息的图像分割技术，分别在深度图像和彩色图像上对物体进分割，并通过融合两个图像的物体区域，获得最终的物体分割区域；

步骤三、采用基于浅层特征描述方法，从有限的训练图像数据中，学习物体的图像特征；

步骤四、构建共享神经网络模型，将可抓取物体识别问题分解为物体可抓取性判别和可抓取物体识别两个子任务，实现由粗到细的可抓取物体有效识别；

步骤五、对共享神经网络模型进行预训练和微调训练，优化神经网络模型的参数；

步骤六、利用训练完成后的模型对物体的可抓取特性及可抓取物体的类别进行识别。

进一步地，在步骤一中，根据物体放置在桌子平面上这一先验信息，从深度图像的总点集S中随机抽样出C个深度点子集，S₁,S₂,...,S_c；然后，在每个深度点子集S_i上采用最小二乘法拟合满足点集S_i的平面参数A⁽ⁱ⁾＝(A₁,A₂,A₃)⁽ⁱ⁾；最后，统计总点集S中位于平面参数A⁽ⁱ⁾所对应平面上点的个数n⁽ⁱ⁾，其中数量最多的n^*对应的A^*即是最优的平面拟合结果。