智能机器人|几种主流工业机器人智能抓取系统方案分享
今日与大家分享几种主流工业机器人智能抓取系统方案 。
机器人学习中的经典问题之一便是分拣：在一堆无序摆放的物品堆中 ， 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 ， 但对于机械臂而言 ， 这意味着复杂的矩阵计算 。
事实上 ， 对于人类需要耗费大量时间的数理难题 ， 用智能系统处理起来就显得十分容易 ， 但在几乎不需要思考的情况下就能做出的分选动作 ， 则是全世界机机器人研究专家关注的热点 。
本文插图
机械臂抓取需要确定每段机械臂的位姿
机械臂抓取需要确定每段机械臂的位置
首先 ， 机械臂需要视觉伺服系统 ， 来确定物体的位置 ， 根据末端执行器（手）和视觉传感器（眼）的相对位置 ， 可分为Eye-to-Hand和Eye-in-Hand两种系统 。
Eye-to-Hand的分离式分布 ， 视野固定不变 ， 如果相机的标定精度高的话 ， 那么视觉定位于抓取的精度也越高 。
Eye-in-Hand则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改变 ， 传感器越近时精度越高 ， 但过于靠近时则可能使目标超出视野范围 。
本文插图
精密的视觉系统与灵活机械臂的配合 ， 才能完成一次完美的抓取 ， 而这正是当前机器人操作中的核心难题 ， 归纳起来就是这么一件事：找到合适的抓取点（或吸附点） ， 抓住它 。 之后的转运执行 ， 则属于运动规划的分支 。
目前几种主流的解决方案
Model-based（基于模型的方法）
这种方法很好理解 ， 即知道要抓什么 ， 事先采用实物扫描的方式 ， 提前将模型的数据给到机器人系统 ， 机器在实际抓取中就只需要进行较少的运算：
1. 离线计算：根据搭载的末端类型 ， 对每一个物体模型计算局部抓取点；
2. 在线感知：通过RGB或点云图 ， 计算出每个物体的三维位姿；
3. 计算抓取点：在真实世界的坐标系下 ， 根据防碰撞等要求 ， 选取每个物体的最佳抓取点 。
RGB颜色空间由红绿蓝三种基本色组成 ， 叠加成任意色彩 ， 同样地 ， 任意一种颜色也可以拆解为三种基本色的组合 ， 机器人通过颜色坐标值来理解“颜色” 。 这种方式与人眼识别颜色的方向相似 ， 在显示屏上广泛采用 。
本文插图
【智能机器人|几种主流工业机器人智能抓取系统方案分享】
CGrasp 对精密轴承的无序抓取
CGrasp 对精密轴承的无序抓取
Half-Model-based（半模型的方法）
在这种训练方式中 ， 不需要完全预知抓取的物体 ， 但是需要大量类似的物体来训练算法 ， 让算法得以在物品堆中有效对图像进行“分割” ， 识别出物体的边缘 。 这种训练方式 ， 需要这些流程：
1.离线训练图像分割算法 ， 即把图片里的像素按物体区分出来 ， 此类工作一般由专门的数据标注员来处理 ， 按工程师的需求 ， 标注出海量图片中的不同细节；
2.在线处理图像分割 ， 在人工标注出的物体上 ， 寻找合适的抓取点 。
这是一种目前应用较为广泛的方式 ， 也是机械臂抓取得以推进的主要推力 。 机械臂技术发展缓慢 ， 但计算机视觉的图像分割则进展迅速 ， 也从侧面撬动了机器人、无人驾驶等行业的发展 。
本文插图
Model-free（自由模型）
Model-free（自由模型）
这种训练方式不涉及到“物体”的概念 ， 机器直接从RGB图像或点云图上计算出合适的抓取点 ， 基本思路就是在图像上找到Antipodal（对映点） ， 即有可能“抓的起来”的点 ， 逐步训练出抓取策略 。 这种训练方式往往让机器手大量尝试不同种类的物品 ， 进行self-supervisedlearning ， Google的Arm Farm ， 即为其中的代表之一 。
推荐阅读
- 青年|汕头华侨试验区探索以人工智能、5G赋能产业转型升级
- 互联网|东莞先知：数字智能，先觉“先知”
- |能听能看能写 , 这款智能演示器你真的没见过 !
- 行业互联网,AI人工智能|城市教育大脑以“ AI+ 大数据”为核心 , 引领教育变革
- 行业互联网|眼控科技聚焦航空气象报文，人工智能助推编发自动化
- |科大讯飞智能演示器，让职场菜鸟轻松完成逆袭
- 人工智能|哈工智能布局“AI+ROBOT”生态圈
- 人工智能|马斯克宣布，脑机接口公司将在下月重磅更新，赛博格将成为现实？
- 人工智能|敏捷开发框架的开发运用之智能办公管理系统的开发
- 人工智能|人工智能上车就是聊天唱歌？TA还能给你有温度有情感的陪伴