[發明專利]一種機器人抓取檢測方法及系統

有效

• 申請號: 202010896209.6
• 申請日: 2020-08-31
• 公開（公告）號: CN111975783B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 劉文印;戚宗城;陳俊洪
• 申請（專利權）人: 廣東工業大學
• 主分類號: B25J9/16
• 分類號: B25J9/16;G06K9/00;G06K9/42;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭帥

本申請一種機器人抓取檢測方法及系統，方法主要包括：(1)識別物體類別；(2)對未知物體在第一公共數據集上圖片檢索獲取標記數據，更新物體類別判斷模型；(3)更新抓取檢測模型，對物體重新進行抓取框檢測；(4)控制機器人對物體進行實際抓取。當物體被識別為未知時在公共數據集中進行檢索獲得標記數據并更新抓取檢測模型，無需額外的仿真環境和人工干預，有效提高抓取檢測模型對未知物體的抓取能力；采用已知物體和未知物體的圖像樣本進行模型更新，采用了增量學習的模型訓練方法，可動態更新物體抓取的知識庫，保持抓取檢測模型對原有標記數據的記憶能力和提高對新標記數據的學習能力。

技術領域

本發明屬于機器人視覺系統抓取控制領域，具體涉及一種機器人抓取檢測方法及系統。

背景技術

傳統的機器人抓取框檢測方法建立在封閉世界上，訓練數據只包含已知物體的標記數據，抓取框檢測模型針對訓練數據訓練好后，知識庫便定了型，后續無法動態更新知識庫，這樣得到的抓取檢測模型在對已知物體的識別上能夠產生很好的效果；但由于缺少對未知物體的標記數據，抓取檢測模型在訓練的時候并沒有對應的數據，因此對于未知物體的識別，機器人則無法生成好的抓取框。

而在實際應用中事先收集所有物體的標記數據是不現實的，針對訓練樣本不足的問題現有的技術方案主要有結合仿真環境生成虛擬數據的方法、半監督方法、自監督方法等，這些方法仍然依賴人工干預和環境交互，未能有效利用現有的公共抓取數據集，而公共抓取數據集往往包含了未知物體的標記數據，現有的技術方案時間成本和運算成本增加，模型訓練效率較低。

發明內容

基于此，本發明旨在提出一種機器人抓取檢測方法及系統，充分利用現有的公共數據集以獲取未知物體的標記數據，達到動態更新抓取檢測模型、擴充模型的泛化能力的目的，以克服上述現有技術的缺陷。

本發明一種機器人抓取檢測方法，包括：

S1.獲取物體圖像，利用物體類別判斷模型識別物體的類別，當識別為未知物體時進入步驟S2，否則進入步驟S4；

S2.將物體圖像與第一公共數據集進行度量得到未知物體的標記數據，并更新物體類別判斷模型；

S3.利用未知物體和已知物體的圖像樣本對抓取檢測模型訓練更新；

其中，抓取檢測模型的初始訓練集為第二公共數據集；

S4.利用抓取檢測模型對物體圖像進行識別，生成對應的抓取框以控制機器人對物體進行抓取。

進一步地，步驟S1中利用物體類別判斷模型識別物體的類別包括：

S11.提取物體圖像的特征向量并計算與已知物體類別特征向量序列[μ_k]中每個已知物體類別μ_k的距離，k表示已知物體類別；

S12.步驟S11計算的距離小于第一閾值時判斷為已知物體，并取距離最小值對應的物體類別作為該物體圖像的類別，否則判斷為未知物體。

進一步地，步驟S2包括：

S21.提取物體圖像的特征向量并計算與第一公共數據集中圖像的特征向量之間的距離；

S22.根據步驟S21計算的距離對第一公共數據集中的圖像進行降序排列，在距離超過第二閾值的圖像中選取n張作為相似圖像集合；

S23.根據相似圖像集合在第一公共數據集中獲取未知物體的標記數據；

S24.根據相似圖像集合計算未知物體類別的特征向量，更新物體類別判斷模型。

進一步地，步驟S24包括：