【技术实现步骤摘要】
所属的技术人员知道，本申请可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram),只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。在此基础上，可以对本申请进行多种替换和改进，这些均落入本申请的保护范围内。
技术介绍
1、在工业自动化和机器人技术中，物品的自动抓取是一项
2、1.物品遮挡与重叠
3、无序堆放的物品之间往往存在遮挡和重叠现象。当部分物品被其他物品遮挡时，机器人的视觉系统难以准确识别被遮挡物品的位置和姿态。此外，重叠的物品也可能导致深度信息的缺失，使得机器人在进行抓取时难以判断物品之间的空间关系。
4、2.光照条件变化
5、工业自动化环境中，光照条件可能因时间、天气或设备状态等因素而发生变化。光照条件的变化会影响图像的质量和清晰度，进而影响机器人对物品的识别和定位。特别是在光线较暗或存在反光的情况下，机器人的视觉系统可能无法准确捕捉物品的特征信息。
6、3.物品形状和尺寸多样性
7、不同物品的形状和尺寸可能存在较大差异，这使得传统的抓取方法难以适应所有情况。例如，一些物品可能具有复杂的几何形状或不规则的表面，导致机器人在进行抓取时难以准确判断其位置和姿态。此外，物品的尺寸变化也可能影响机器人的抓取策略和运动规划。
8、4.抓取策略单一
9、传统的抓取方法往往采用固定的抓取策略，如固定抓取点或固定抓取路径。然而，对于无序堆放的物品，固定的抓取策略可能无法适应所有情况。例如，当物品的位置或姿态发生变化时，固定的抓取点可能不再适用，导致抓取失败。
10、5.传感器精度和分辨率限制
11、机器人的传感器(如摄像头、激光雷达等)的精度和分辨率有限，可能无法准确捕捉物品的所有细节信息。当物品的尺寸较小或形状复杂时，传感器的精度和分辨率可能成为限制抓取精度和成功率的关键因素。
12、6.动态环境和干扰因素
13、在工业自动化环境中，可能存在各种动态因素(如其他机器人的运动、人员的走动等)和干扰因素(如噪声、振动等)，这些因素都可能影响机器人的抓取精度和成功率。例如，当其他机器人或人员在机器人工作区域内移动时，可能会干扰机器人的视觉系统或运动规划。
技术实现思路
1、本申请提供了一种基于位姿估计的物品无序抓取方法及系统，用以提高抓取的精度和成功率。
2、第一方面，提供了一种基于位姿估计的物品无序抓取方法，包括以下步骤：
3、生成图像数据集；
4、基于所述图像数据集，构建卷积神经网络模型；
5、利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计。
6、在上述技术方案中，通过采用生成图像数据集；基于所述图像数据集，构建卷积神经网络模型；利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计；提高了抓取的精度和成功率。
7、在一个具体可实施方案中，还包括：
8、基于位姿估计的结果，对抓取点进行确定与校正。
9、在一个具体可实施方案中，利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计的步骤，具体包括：
10、将所述待抓取物品的二维图像导入所述卷积神经网络模型，提取对应的置信图和向量场；
11、利用提取的置信图和向量场计算所述待抓取物品的预测平移量和预测旋转量，得到所述位姿估计的结果。
12、在一个具体可实施方案中，基于位姿估计的结果，对抓取点进行确定与校正的步骤，具体包括：
13、基于所述位姿估计的结果，得到所述待抓取物品的最优抓取点，并计算深度相机的测量平移量；
14、根据所述预测平移量和所述测量平移量进行抓取安全距离校正；若校正成功，则执行校正数据抓取；若校正失败，则进行迭代优化。
15、在一个具体可实施方案中，所述卷积神经网络模型包括vgg深度卷积神经网络模型。
16、第二方面，提供了一种基于位姿估计的物品无序抓取系统，包括：
17、数据集模块，用于生成图像数据集；
18、模型模块，用于基于所述图像数据集，构建卷积神经网络模型；
19、位姿估计模块，用于利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计。
20、在上述技术方案中，通过采用生成图像数据集；基于所述图像数据集，构建卷积神经网络模型；利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计；提高了抓取的精度和成功率。
21、在一个具体可实施方案中，还包括：
22、校正模块，用于基于位姿估计的结果对抓取点进行确定与校正。
23、在一个具体可实施方案中，所述卷积神经网络模型包括vgg深度卷积神经网络模型。
24、第三方面，提供了一种电子设备，所述电子设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述电子设备实现任一项所述的基于位姿估计的物品无序抓取方法。
25、在上述技术方案中，通过采用生成图像数据集；基于所述图像数据集，构建卷积神经网络模型；利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计；提高了抓取的精度和成功率。
26、第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机可读存储介质实现任一项所述的基于位姿估计本文档来自技高网...
【技术保护点】
1.一种基于位姿估计的物品无序抓取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于位姿估计的物品无序抓取方法，其特征在于，还包括：
3.根据权利要求2所述的基于位姿估计的物品无序抓取方法，其特征在于，利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计的步骤，具体包括：
4.根据权利要求3所述的基于位姿估计的物品无序抓取方法，其特征在于，基于位姿估计的结果，对抓取点进行确定与校正的步骤，具体包括：
5.根据权利要求4所述的基于位姿估计的物品无序抓取方法，其特征在于，所述卷积神经网络模型包括VGG深度卷积神经网络模型。
6.一种基于位姿估计的物品无序抓取系统，其特征在于，包括：
7.根据权利要求6所述的基于位姿估计的物品无序抓取系统，其特征在于，还包括：
8.根据权利要求7所述的基于位姿估计的物品无序抓取系统，其特征在于，所述卷积神经网络模型包括VGG深度卷积神经网络模型。
9.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器与存储器耦合，所述存储器中存储
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机可读存储介质实现如权利要求1至5任一项所述的基于位姿估计的物品无序抓取方法。
...【技术特征摘要】
1.一种基于位姿估计的物品无序抓取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于位姿估计的物品无序抓取方法，其特征在于，还包括：
3.根据权利要求2所述的基于位姿估计的物品无序抓取方法，其特征在于，利用所述卷积神经网络模型对待抓取物品进行特征提取与位姿估计的步骤，具体包括：
4.根据权利要求3所述的基于位姿估计的物品无序抓取方法，其特征在于，基于位姿估计的结果，对抓取点进行确定与校正的步骤，具体包括：
5.根据权利要求4所述的基于位姿估计的物品无序抓取方法，其特征在于，所述卷积神经网络模型包括vgg深度卷积神经网络模型。
6.一种基于位姿估计的物品无序抓取系统，其特征在于，包括：
7.根据权利...
【专利技术属性】
技术研发人员：付中涛，李龙欢，陈绪兵，洪汉玉，陈飞扬，罗梓戈，王法福，方杰，朱泽润，梅再武，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。