[发明专利]一种基于卷积神经网络的机器人自主抓取方法

说明书

本发明公开了一种基于卷积神经网络的机器人自主抓取方法，包括：首先构建抓取检测模型，通过大量的数据集训练得到鲁棒性更强泛化能力更好的特征提取器；采集包含待抓取物体的场景图像送入到抓取检测模型中，得到待抓取物体在图像空间下的抓取框；根据机器人抓取过程中各坐标系之间的转换关系得到最终抓取位姿，控制机械臂到达指定位姿完成自主抓取操作。本发明将跨尺度检测的思想带入到抓取框的识别中，提高了不同尺度下的检测效果。同时将抓取框方向角的预测转化为分类与回归的组合，改善了多角度抓取的性能，提高了算法的准确率，有效的改善了机器人在非结构化环境中自主抓取的性能。

技术领域

本发明属于机器人智能控制与计算机视觉领域，具体涉及一种基于卷积神经网络的机器人自主抓取方法。

背景技术

随着科技的发展以及社会的进步，人们不仅仅希望从简单重复的工作中解脱出来，而且更加盼望机器人能够在生产生活中满足人们各方面的需求。提升机器人智能化的同时也面临着许多技术难题，其中之一就是机器人在非结构环境下自主抓取问题，因为抓取是机器人与外界交互的主要方式之一。

传统的工业机器人往往工作在结构化环境中，其依靠目标物体的三维模型进行抓取规划。而非结构化环境下预先知道目标物体的三维模型往往是不现实的，因为非结构化环境中包含大量未知物体，且待抓取物体的尺度存在变化以及物体间存在重叠遮挡等诸多因素。针对此问题，常用的方法是利用卷积神经网络来学习待抓取物体的特征信息，得到待抓取物体与机器人之间位姿映射关系从而实现自主抓取。相比人工设计得到的特征或根据待抓取物体的三维特征建立数据库保存抓取经验等方法，卷积神经网络通过大量的训练数据集得到鲁棒性更强泛化能力更好的特征提取器，能够进一步的将抓取经验迁移到未曾见过的物体上。为了提高抓取检测算法的整体性能，算法的网络结构往往比较复杂，但随着网络深度的加深计算的复杂程度也随之加大，同时也更加需要依赖硬件资源。因此，利用卷积神经网络、计算机视觉以及机器人运动学等相关技术，兼顾算法的准确率以及实时性，如何研发一套基于卷积神经网络的机器人自主抓取算法是亟待解决的问题。

发明内容

针对目前存在的问题，本发明提供了一种基于卷积神经网络的机器人自主抓取算法,能够同时在多个尺度下对目标物体进行检测，提高算法的准确率。同时在抓取检测过程中能满足实时性的要求，保证机器人能够在非结构化环境以及一些复杂场景下的自主抓取。

为达到上述目的，本发明采用的技术方案为，一种基于卷积神经网络的机器人自主抓取方法，包括以下步骤：

S1：构建基于多尺度特征的抓取检测模型，实现对抓取位姿的估计，具体包括：

S11：抓取检测模型特征提取部分的设计：特征提取部分以Darknet-53网络为基础，将SE模块嵌入到Darknet-53网络中的前四组残差结构中，使网络能够感知不同特征通道的重要程度，实现通道的自适应校准。将末端残差结构中的3×3的卷积替换为可变形卷积，使卷积核可以根据待抓取物体轮廓作为边界，而不是将感受眼局限于规则的矩形之中。

S12：抓取检测模型输出检测部分的设计：输出检测部分采用跨尺度预测的思想，抓取检测模型依次在三个尺度的特征图上进行抓取框的预测。抓取检测模型以五维向量抓取框的形式进行输出，抓取框定义为：

G＝{x,y,h,w,θ} (1)

其中，(x,y)表示抓取框的中心点；(h,w)表示抓取框的长度和宽度；θ表示抓取框的方位角，本发明将方向角的预测转化为分类与回归组合的问题，定义为：

θ＝θ_cls+θ_reg (2)

其中，θ_cls表示方向角的类别，θ_cls∈{0°,10°，…,170°}，将方向角从0°～180°依次划分成18个类别。θ_reg表示方向角回归部分的具体角度，θ_reg∈[0°,10°)。