[發明專利]一種用于提高機器人抓取成功率的檢測方法

在審

• 申請號: 202211527527.0
• 申請日: 2022-11-30
• 公開（公告）號: CN116079711A
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 黃攀峰;李沅澔;馬志強;劉正雄
• 申請（專利權）人: 西北工業大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 西安維賽恩專利代理事務所(普通合伙) 61257
• 代理人: 張瑞琪;魏世平

本發明公開了一種用于提高機器人抓取成功率的檢測方法，由以下步驟組成：步驟S1：利用生成式卷積神經網絡以待抓取目標圖像為輸入，并輸出局部增強特征圖，步驟S2：將局部增強特征圖輸入抓取檢測模型，以輸出抓取點和相應的抓取向量，步驟S3：通過變換矩陣將像素坐標系中的抓取向量映射到機器人坐標系中完成抓取；本發明在抓取檢測時引入了可變形卷積，來獲取物體的形狀特征，以此來引導后續網絡回歸位置，通過利用特征提取模塊和全局特征聚合模塊引入global?local的特征融合方法，在特征重建階段來高效地獲取更精細的特征，讓網絡專注于被抓取物體的特征，在不同尺度下進行抓取位置預測，來適應真實世界中對不同尺度的物體的抓取。

技術領域

本發明屬于計算機視覺與機器人領域，尤其涉及一種用于提高機器人抓取成功率的檢測方法。

背景技術

隨著信息技術和控制技術的發展，機器人在工業制造、醫療救助、社會服務、空間探索等領域的作用越來越重要。抓取物體是機器人應用最廣泛的任務，也是機器人操作中最具挑戰性的技術之一。雖然“拾起”和“放下”對人類來說是一種非常基本的行為，但對機器人來說，它涉及一系列的檢測、計劃和控制系統。為了完成抓取任務，機器人必須首先感知物體，就像人的眼睛一樣，以確定物體的位置、方向、抓取位置等重要信息。因此，抓取檢測系統是規劃未來抓取路徑和執行整個抓取動作的起點。

抓取操作是否成功的關鍵在于是否得到一個精確的抓取位置。為實施目標抓取，抓取檢測模型輸入RGB信息和Depth信息，輸出抓取點和相應的抓取向量，通過變換矩陣將像素坐標系中的抓取向量映射到機器人坐標系中，完成最終的抓取。然而，這存在一個嚴重的問題，即大多數抓取檢測方法在現實世界中的性能比在公共數據集上的性能差。這是因為目前絕大多數機器人抓取檢測方法缺乏對于物體整體和抓取區域的細節分析，從而導致大量假陽性抓取位置的產生，而這些假陽性抓取位置在現實機器人抓取檢測任務中均是不合理的抓取，從而造成抓取失敗。

發明內容

本發明的目的是提供一種用于提高機器人抓取成功率的檢測方法，以解決現實機器人抓取檢測任務中存在假陽性抓取位置，進而造成不合理的抓取，致使抓取失敗、繼而使得抓取成功率低的問題。

本發明采用以下技術方案：一種用于提高機器人抓取成功率的檢測方法，由以下步驟組成：

步驟S1：利用生成式卷積神經網絡以待抓取目標圖像為輸入，并輸出局部增強特征圖，

步驟S1由以下步驟組成：

步驟S101：利用特征提取模塊對待抓取目標圖像進行特征提取得到初始特征圖，

步驟S102：利用全局特征聚合模塊經過全局平均池化和全連接層對初始特征圖進行通道特征的加權，以得到含有全局特征信息的全局特征圖，

步驟S103：通過局部特征增強模塊利用密集連接的卷積層融合不同階段的特征得到局部增強特征圖；

步驟S2：將局部增強特征圖輸入抓取檢測模型，以輸出抓取點和相應的抓取向量，

步驟S3：通過變換矩陣將像素坐標系中的抓取向量映射到機器人坐標系中完成抓取。

進一步地，特征提取模塊由依次連接的4個采樣層、5個殘差模塊和1個可變形卷積層組成。

進一步地，可變形卷積層的卷積核為3×3。

進一步地，生成式卷積神經網絡的損失函數為：

式中，n表示抓取位置的數量，y_i表示標簽，表示預測標簽，Y表示總標簽，表示總預測標簽；

其中，l₁由下式給出：

式中，σ表示超參數。