摘要
自21世纪以来，伴随着机械臂抓取技术的不断创新与发展，机械臂应用范围不断扩大，已广泛应用于人类日常生活、工业制造等各个领域。目前，面对工作环境、抓取任务、抓取目标多样的非结构环境下，多数工业机械臂缺乏自主能动性和对非结构化环境的适应能力，这严重限制了机械臂抓取技术的推广。针对人工设计特征计算成本高、泛化性较差的问题，深度学习技术通过自动学习关键特征并将其集成到模型创建过程的方式，使得深度学习能以更低的计算量学习更复杂的特征,是计算机视觉领域中应用最广泛和成功的方法。本文利用深度学习方法，重点研究目标检测问题和抓取位姿检测问题，其主要研究内容如下: (1)分析并搭建了机械臂视觉抓取平台，并从硬件组成和软件模块两个方面对抓取平台进行了详细介绍，其中主要分析了平台硬件的性能参数以及ROS机器人操作系统的基本概念和通信方式，为机械臂的视觉抓取提供高性能的平台基础。此外，在ROS平台下运行标定程序完成摄像头内参标定和手眼标定，并选用合适的摄像头内外参数，解决彩色图和深度图像素坐标不匹配和机械臂末端坐标系与摄像头坐标系的变换矩阵的问题，使得到的摄像头内外参能满足抓取任务的要求。 (2)提出了一种基于改进YOLOv5s模型的机械零件目标检测算法。针对YOLOv5s目标检测算法参数量大、运算速度慢的问题，本文采用GhostNet的幽灵模块和幽灵瓶颈层替换原模型的卷积层和瓶颈层，降低了模型浮点运算量和体积,并抑制了机械零件特征图中的冗余特征。在主干网路后面加入注意力机制CA,提取机械零件的深度特征。将颈部网络的FPN+PAN网络结构修改为加权双向特征金字塔网络(BiFPN),促进了机械零件多尺度特征的融合。对采集的图像采用Mosaic数据增强，扩充数据集的背景和物体，在VOC数据集和自制数据集上分别训练目标检测模型。实验结论证明，改进YOLOv5s模型的目标检测算法具有较高的检测精度和较快的检测速度。 (3)提出了一种基于点云特征的机械臂抓取位姿检测算法PointNeXtGPD。首先根据YCB模型集的文件结构构建机械零件的3D模型集，对机械零件的3D模型采用对跖点抓取采样，完成候选抓取位姿的生成，这样不仅减少了对抓取位姿的手动标注过程，且能根据3D信息生成更多的机械臂抓取位姿。通过力封闭结合无摩擦抓取旋量空间分析对检测的抓取位姿评分，提取出每个抓取位姿下夹爪闭合区域内的点云以及该抓取姿态的分数送入PointNeXt中进行训练。检测过程中，直接从点云中采样候选抓取位姿，剔除与桌面碰撞后的抓取位姿送入训练好的PointNeXt模型中打分,输出并执行得分最高的抓取位姿。实验表明,PointNeXtGPD抓取检测算法能够根据抓取目标的3D特征以及Robotiq2f-85夹爪的参数信息，生成合适的抓取位姿，能完成分散摆放和堆叠摆放环境下机械零件的抓取。 (4)仿真与真机抓取实验。搭建了基于ROS的机械臂视觉抓取仿真平台，利用Gazebo模拟机械臂抓取环境，Moveit!规划机械臂的抓取轨迹。在真机环境下,为避免机械臂执行抓取任务时因为速度和加速度变化过大而导致抓取失败，采用python-urx模块更快平稳的控制机械臂和夹爪。抓取实验结果表明，利用机器视觉结合目标检测和抓取位姿检测算法，实现了自动识别定位零部件和机械臂自主抓取，已成为智能制造发展的重要方向之一，具有广泛的应用前景和市场潜力。
NETL