摘要
抓取是工业机器人在装配、码垛、搬运等工业生产场景中最基本的功能。机器视觉与工业机器人相结合可以提高抓取过程中的智能性和自主性，但是受到工作环境、目标物体的姿态、物体的堆叠等因素的影响，在自主抓取方面有较高的难度。本文基于深度学习网络模型进行了目标物体分类和目标抓取位置检测的研究，利用ROS系统建立了工业机器人在工业生产场景中多目标检测识别抓取实验平台。具体内容如下： （1）以ABBIRB120机器人为研究对象，采用D-H法建立该工业机器人的正运动学模型，并且推导了逆运动学模型。对比分析了三次插值多项式和五次插值多项式在工业机器人路径规划上的优劣，结果显示，五次多项式在工业机器人运行平稳性上效果更加显著，能够避免运动过程中加速度的突变。 （2）基于牛顿-欧拉的动力学原理，构建了ABBIRB120机器人的动力学模型，建立三维模型并获得了质心、质量、工业机器人惯性矩阵等参数。通过仿真得到牛顿-欧拉动力学模型下的ABBIRB120机器人理论关节转矩曲线，利用动力学仿真软件中拉格朗日-欧拉法得到的关节力矩曲线验证了牛顿-欧拉计算的理论关节转矩曲线的正确性。 （3）基于Yolov5l神经网络和GG-CNN神经网络，提出了一种多目标物体分类和目标抓取位置检测方案。根据Yolov5卷积神经网络模型的训练数据格式，制作了20种分类3000多张的工业零件数据集，并且选用CIOU-Loss和DIOU-Nms计算的方法替代Yolov5的加权Nms计算方法，提升模型训练的准确度和速度，实验得出Yolov5不同模型的检测时间和准确率数据。 （4）针对目标抓取位置检测的问题，提出一种改进的目标抓取位置检测的神经网络模型，在GG-CNN网络的基础上添加四层残差网络做平层特征提取，增强特征提取的效果。在康奈尔大学的Cornell数据集以及Jacquard数据集进行模型训练。实验结果显示，改进后的GG-CNN网络准确率上相较于GG-CNN提升了20%。 （5）搭建了基于ROS和RobotStudio的多目标检测识别抓取实验平台，建立了相机、ROS、RobotStudio、机器人控制器的通信，进行了工业零件的抓取实验。结果表明，该实验平台能够快速的实现待抓取目标的分类、定位和抓取的功能。
NETL