融合深度学习与结构分析的工业件抓取方法研究

基于多源异构大数据驱动的目标位姿估计学习方法无需事先获取目标物的结构形状特征,在通用性、泛化性和灵活性上有着明显优势,因此基于深度学习的日常物体抓取的端到端方法被大量提出并被广泛应用.但是,相比于传统结构分析方法,深度学习方法缺乏与抓取目标物体的精细感知与交互,抓取位姿精度普遍不高,无法适应于高精度工业件抓取;为此,提出一种融合深度学习和结构分析的抓取方法,在保持神经网络泛化性的基础上大幅提高抓取精度与稳定性,解决在堆叠密集、纹理相近、复杂外形的工业件抓取任务中伴随的不准、不稳和干涉问题.该方法通过深度相机获取物体的纹理和深度信息,通过一种新设计的神经网络来预测粗略的抓点位置、抓取角度和抓取宽度,再进一步结合深度信息,通过结构计算方法矫正抓取的角度、宽度来提高抓取精度,进而使本方法能够在零件摆放密集,空隙稀少的环境中提高抓取的成功率.最后,在未经训练过的测试场景下使用大型机械臂进行实验,证明了该方法可以在物体密集摆放的环境下拥有较高的抓取成功率和较快的响应速度.