摘要：无需事先获得操作目标的模型信息,仅根据当前图像特征就能实现机器人对未知目标的智能感知与定位或跟踪,一直是机器人视觉伺服领域中具有挑战性的问题.这里的"未知"不仅是指对操作台上所有物体的类别属性和位置信息未知,而且对操作物体的形状、大小等这样的几何模型先验信息也未知.为了解决这个问题,提出了一种基于卷积神经网络的机器人对未知物体的视觉定位控制策略.首先,利用基于卷积神经网络的多目标识别与检测算法获取机器人操作台上所有未知物体的类别属性信息;其次,用户根据多目标识别与检测结果在线随机地选择机器人拟定位的目标物体,此后在整个机器人视觉控制过程中,机器人视觉控制系统利用该网络从多个物体中检测出用户所选定的目标物体并计算出当前图像特征,从而实现机器人对未知目标的智能感知;最后,根据图像特征误差,设计视觉滑模定位控制律以实现机器人对未知物体的视觉定位.在MOTOMAN-SV3X六自由度工业机器人上完成了5组复杂自然场景下未知物体视觉定位实验,实验结果表明了所提出的机器人视觉定位控制策略的可行性和有效性.

摘要：针对机械臂对尺寸变换、形状各异、任意位姿的未知物体抓取,提出一种基于多层级特征的单阶段抓取位姿检测算法,将物体抓取位姿检测问题视为抓取角度分类和抓取位置回归进行处理,对抓取角度和抓取位置执行单次预测.首先,利用深度数据替换RGB图像的B通道,生成RGD图像,采用轻量型特征提取器VGG16作为主干网络;其次,针对VGG16特征提取能力较弱的问题,利用Inception模块设计一种特征提取能力更强的网络模型;再次,在不同层级的特征图上,利用先验框的方法进行抓取位置采样,通过浅层特征与深层特征的混合使用提高模型对尺寸多变的物体的适应能力;最后,输出置信度最高的检测结果作为最优抓取位姿.在image-wise数据集和object-wise数据集上,所提出算法的评估结果分别为95.71%和94.01%,检测速度为58.8 FPS,与现有方法相比,在精度和速度上均有明显的提升.