机器人智能抓取系统的几个主流解决方案

Eye-in-Hand将机械臂与A6276ELW视觉传感器固定在一起，视野随机械臂的移动而变化。Model-based(基于模型的方法)Half-Model-based(半模型的方法)这种训练方法往往会让机器人尝试大量不同种类的物品，进行self-supervisedlearning，ArmFarm，这就是代表之一。

机器人学习中的一个经典问题是分拣:在一堆无序的物品中取出目标物品。在快递分拣员看来，这几乎是一个不需要思考的过程，但对于机械臂来说，这意味着矩阵计算的复杂性。

事实上，用智能系统处理人类需要花费大量时间的数学问题是非常容易的，但在几乎不需要思考的情况下可以做出的分选动作却是世界机器人研究专家关注的焦点。

机械臂抓取需要确定每段机械臂的位姿

首先，机械臂需要一个视觉伺服系统来确定物体的位置。根据末端执行器(手)和视觉传感器(眼睛)的相对位置，可以分为Eyee-in-两个系统Hand。

Eye-in-Hand将机械臂与视觉传感器固定在一起，视野随机械臂的移动而变化。传感器越靠近，精度越高，但当它们太靠近时，目标可能会超出视野。

只有精确的视觉系统和灵活的机械臂配合，才能完美抓取，这是当前机器人操作中的核心问题。综上所述，就是这样一件事:找到合适的抓取点(或吸附点)并抓住它。之后的运输执行属于运动计划的一个分支。

当前主流的解决方案有多种？

Model-based(基于模型的方法)

这个方法很容易理解，就是知道要抓什么，提前使用物理扫描的方法，提前将模型的数据交给机器人系统，机器只需要在实际抓取中少操作。

在线感知：通过RGB或点云图，计算出每一个物体的三维位置。

计算抓取点：在现实世界的坐标系下，根据防碰撞等要求，选择每一个物体的最佳抓取点。

RGB颜色空间由红、绿、蓝三种基本颜色组成，叠加成任何颜色。同样，任何颜色也可以分解成三种基本颜色的组合，机器人可以通过颜色坐标值来理解“颜色”。这种方法类似于人眼识别颜色的方向，广泛应用于显示屏上。

Half-Model-based(半模型的方法)

在这种训练方法中，没有必要完全预测抓取的物体，但需要大量类似的物体来训练算法，这样算法就可以有效地在物体堆中“分割”图像，识别物体的边缘。这种训练方法需要这些过程:

1.离线训练图像分割算法，即根据物体区分图像中的像素。这类工作一般由专门的数据标记员处理，海量图片中的不同细节是根据工程师的需求标记的。

在线处理图像分割，在人工标注的物体上，找到合适的抓取点。

这是目前应用广泛的一种方式，也是推动机械臂抓取的主要推力。机械臂技术发展缓慢，但计算机视觉图像分割发展迅速，也从侧面煽动了机器人、无人驾驶等行业的发展。

Model-free(自由模型)

这种训练方法不涉及“物体”的概念。机器直接从Antipodal(映射点)，也就是可能“抓住”的点，逐渐训练出抓取策略。这种训练方法往往会让机器人尝试大量不同种类的物品，进行self-supervisedlearning，ArmFarm，这就是代表之一。

值得注意的是，对于机械手来说，抓取不同形状的物体的难度差别很大。即使是同形状的物体，由于表面反光和环境光的影响，也很难在不同的场景中抓取。从实验室到商业落地，有相当长的路要走。

高精度相机研发，是机器人“感知”物体的第一步。

在实际的商业场景中，最麻烦的对象总是“下一个对象”。工业机器人要真正融入实际的生产系统，只有拥有聪明的大脑，根据不同的工作条件进行灵活的调整，才能拓宽工业机器人的使用场景。

解决方案系统智能模型传感器训练

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。