摘要
机器人抓取技术是机器人领域的重要研究方向之一。目前成熟的机器人抓取技术大多只适用于布局相对固定的结构化操作环境。当抓取场景内存在多种具有丰富特征且位姿任意的物体时，机器人难以在此类复杂环境中对物体进行有效的识别与抓取，且抓取实时性差。为提升机器人在复杂环境中的抓取成功率与效率，首先需要改善的是机器人对外界复杂环境的感知能力。本文对机器人抓取过程中所涉及到的视觉感知部分关键技术进行了研究，主要包括目标识别与定位技术和最优抓取位姿检测技术。 首先，设计并分析了机器人抓取系统。构建了机器人抓取系统的框架，阐述了系统的硬件实现方案，并对深度图像空洞修复进行了研究，利用相机标定获取机器人与视觉感知系统之间的变换矩阵，对机械臂进行了正逆运动学分析。 其次，针对传统目标检测方法在复杂抓取环境下对待抓取目标的识别与定位效果差的问题，提出了一种带旋转框的待抓取目标检测算法。对YOLOv5目标检测算法进行改进，借鉴GhostNet网络，将其主干网络中的C3模块重新设计为参数量更少且高效的C3-GhostBottleneck模块，并将YOLOv5中的部分普通卷积替换为Ghost卷积，进一步减少了模型的参数量。在模型检测层添加了角度预测分支，并引入密集编码标签（DenselyCodedLabels,DCL）技术，得到了带旋转框的待抓取目标检测算法YOLOv5-Ghost-Angle。在自制的抓取数据集上进行了实验，验证了改进后模型的检测精度与速度更佳。 然后，针对当前主流抓取检测算法难以同时兼顾检测的精度与速度的问题，设计了一种新型的抓取检测网络。首次提出将轻量级网络RepVGG应用于抓取检测，并将其与高效通道注意力（EfficientChannelAttention,ECA）机制相融合，得到了特征提取更加高效的主干网络RepVGG-ECA。引入有向锚框机制，通过聚类算法设置其超参数，并优化了锚框的匹配机制。在康奈尔数据集上对搭建的抓取检测模型进行了训练与测试，检测准确率达到了97.4％，检测速度达到了25.45FPS。 最后，在实际机器人抓取平台上进行了实验。通过机器人操作系统（RobotOperatingSystem,ROS）将机器人的各个功能模块联系起来，分别对单目标与密集摆放的多目标进行了抓取实验，验证了本文整体算法在实际抓取任务中的可行性，以及应用于复杂场景下机器人抓取的可靠性。
NETL