CN109345578A - 基于贝叶斯优化的点云配准方法、系统及可读存储介质 - Google Patents
基于贝叶斯优化的点云配准方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN109345578A CN109345578A CN201811200061.7A CN201811200061A CN109345578A CN 109345578 A CN109345578 A CN 109345578A CN 201811200061 A CN201811200061 A CN 201811200061A CN 109345578 A CN109345578 A CN 109345578A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- optimization
- bayes
- target object
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于贝叶斯优化的点云配准方法、系统及可读存储介质,该方法包括步骤:获取目标对象的轮廓点云和模板轮廓点云;构建初始数据集;根据贝叶斯优化算法,选取初始角度;根据初始角度,将轮廓点云进行旋转和平移,得到新的轮廓点云;将新的轮廓点云与模板轮廓点云进行ICP配准计算,得到适应度;并基于所述第一适应度,提取目标对象的旋转参数和平移参数,以估计所述目标对象的位姿。本发明利用目标对象的轮廓点云,基于贝叶斯优化算法,进行配准寻优,找到目标对象较为优化的初始位姿,以便机器人根据初始位姿调整拾取动作,快速完成目标对象的拾取。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及一种基于贝叶斯优化的点云配准方法、系统及可读存储介质。
背景技术
在日常生产中,采用机器人拾取散乱零件等物件可以大大提高生产效率,而机器人自动拾取的原理是获取待拾取目标的待匹配点云,通过待匹配点云和模板点云的准确配准,可以准确估计待拾取目标的位姿,进而引导机器人的机械臂进行拾取操作。从这里可看出,在机器人拾取目标的过程中,对配准的准确性要求很高。
目前,最近迭代(ICP)算法是应用最为广泛的配准算法,但是ICP算法对初值的要求比较高,需要两点云之间确定一个良好的初始姿态,否则会造成迭代不收敛或陷入局部最优解的情况,最终导致误配准或不收敛。
ICP的改进算法大多依赖从点云数据中提取的特征点或轮廓曲线等人为引入特征标签,普遍存在鲁棒性不够稳定、速度较慢等问题,因此,寻找一个高效的优化ICP算法对三维点云图像配准问题十分必要。
发明内容
本发明的主要目的在于提出一种基于贝叶斯优化的点云配准方法、系统及可读存储介质,旨在解决现有三维点云图像配准速度较慢,导致机器人拾取效率慢的技术问题。
为实现上述目的,本发明提供了一种基于贝叶斯优化的点云配准方法,所述基于贝叶斯优化的点云配准方法包括:
获取目标对象的点云和所述目标对象对应的模板点云,并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云;
根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集;
基于所述初始数据集,根据贝叶斯优化算法,选取初始角度;
根据所述初始角度,将所述第一轮廓点云绕XYZ轴进行旋转,得到第二轮廓点云;
计算所述第二轮廓点云和所述模板点云的重心,平移所述第二轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;
将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度;
基于所述第一适应度,提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿。
优选地,所述根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集的步骤包括:
将所述第一轮廓点云绕XYZ轴分别旋转随机角度,得到第三轮廓点云;
将所述第三轮廓点云与模板轮廓点云进行ICP配准计算,迭代第二预设次数后,计算第二适应度;
重复执行上述步骤三次,得到初始数据集。
优选地,所述将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度的步骤之后,所述方法还包括:
确定所述第一适应度是否小于所述预设最大适应度阈值;
若是,则执行提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿的步骤。
优选地,所述确定所述第一适应度是否小于所述预设最大适应度阈值的步骤之后,所述方法还包括:
若否,则根据所述初始角度和所述第一适应度,更新初始数据集,获得更新后的数据集;
基于所述更新后的数据集,寻优循环,直至得到的适应度小于所述预设最大适应度阈值,其中寻优循环为:循环执行基于所述更新后的数据集,根据贝叶斯优化算法,选取下一角度,并将所述第一轮廓点云绕XYZ轴分别旋转所述角度,得到下一轮廓点云;计算所述轮廓点云和所述模板点云的重心,平移所述轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;将所述轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算适应度的步骤。
优选地,在寻优循环的过程中,所述方法还包括:
确定寻优循环的循环次数是否小于预设的寻优次数;
若是,则继续执行基于所述更新后的数据集,寻优循环,直至得到适应度小于所述预设最大适应度阈值的步骤。
优选地,所述确定寻优循环的循环次数是否小于预设的寻优次数的步骤之后,所述方法还包括:
若否,则寻优循环结束,点云配准流程结束,获取下一目标对象。
优选地,所述基于所述初始数据集,根据贝叶斯优化算法,选取初始角度的步骤包括:
基于所述初始数据集,构建高斯过程的回归模型,并基于所述回归模型,确定贝叶斯优化算法的获取函数;
基于贝叶斯优化算法,通过对所述获取函数的最大优化,选择初始角度。
优选地,所述基于所述初始数据集,构建高斯过程的回归模型,并根据所述回归模型,确定贝叶斯优化算法的获取函数的步骤包括:
基于所述初始数据集,构建高斯过程的回归模型,并预测所述目标对象对应旋转的未知角度的均值和标准差;
根据所述均值和所述标准差,确定贝叶斯优化算法的获取函数。
此外,为实现上述目的,本发明还提供一种系统,所述系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于贝叶斯优化的点云配准程序,所述程序被所述处理器执行时实现如上所述的基于贝叶斯优化的点云配准方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有基于贝叶斯优化的点云配准程序,所述基于贝叶斯优化的点云配准程序被处理器执行时实现如上所述的基于贝叶斯优化的点云配准方法的步骤。
本发明的基于贝叶斯优化的点云配准方法,获取目标对象的轮廓点云和模板轮廓点云;构建初始数据集;根据贝叶斯优化算法,选取初始角度;根据初始角度,将轮廓点云进行旋转和平移,得到新的轮廓点云;将新的轮廓点云与模板轮廓点云进行ICP配准计算,得到适应度;并在适应度小于预设最大适应度阈值时,提取目标对象的旋转参数和平移参数,以估计所述目标对象的位姿。本发明利用目标对象的轮廓点云,基于贝叶斯优化算法,进行配准寻优,找到目标对象较为优化的初始位姿,以便机器人根据初始位姿调整拾取动作,快速完成目标对象的拾取。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的系统的结构示意图;
图2为本发明基于贝叶斯优化的点云配准方法第一实施例的流程示意图;
图3为本发明基于贝叶斯优化的点云配准方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的解决方案主要是:获取目标对象的轮廓点云和模板轮廓点云;构建初始数据集;根据贝叶斯优化算法,选取初始角度;根据初始角度,将轮廓点云进行旋转和平移,得到新的轮廓点云;将新的轮廓点云与模板轮廓点云进行ICP配准计算,得到适应度;并在适应度小于预设最大适应度阈值时,提取目标对象的旋转参数和平移参数,以估计所述目标对象的位姿。以解决现有三维点云图像配准速度较慢,导致机器人拾取效率慢的技术问题。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的系统的结构示意图。该系统可以包括:处理器1001,例如CPU,通信总线1002、业主接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。业主接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选地,业主接口1003还可以包括标准的有线接口(例如用于连接有线键盘、有线鼠标等)、无线接口(例如用于连接无线键盘、无线鼠标)。网络接口1004可选的可以包括标准的有线接口(用于连接有线网络)、无线接口(如WI-FI接口、蓝牙接口、红外线接口等,用于连接无线网络)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的系统并不构成对系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、业主接口模块以及基于贝叶斯优化的点云配准程序。其中,操作系统是管理和控制移动终端与软件资源的程序,支持网络通信模块、业主接口模块、基于贝叶斯优化的点云配准程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1002;业主接口模块用于管理和控制业主接口1003。
在图1所示的移动终端中,所述移动终端通过处理器1001调用存储器1005中存储的基于贝叶斯优化的点云配准程序,并执行以下步骤:
获取目标对象的点云和所述目标对象对应的模板点云,并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云;
根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集;
基于所述初始数据集,根据贝叶斯优化算法,选取初始角度;
根据所述初始角度,将所述第一轮廓点云绕XYZ轴进行旋转,得到第二轮廓点云;
计算所述第二轮廓点云和所述模板点云的重心,平移所述第二轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;
将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度;
基于所述第一适应度,提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿。
进一步地,所述根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集的步骤包括:
将所述第一轮廓点云绕XYZ轴分别旋转随机角度,得到第三轮廓点云;
将所述第三轮廓点云与模板轮廓点云进行ICP配准计算,迭代第二预设次数后,计算第二适应度;
重复执行上述步骤三次,得到初始数据集。
进一步地,所述将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度的步骤之后,处理器1001还可以用于调用存储器1005中存储的基于贝叶斯优化的点云配准程序,并执行以下步骤:
确定所述第一适应度是否小于所述预设最大适应度阈值;
若是,则执行提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿的步骤。
进一步地,所述确定所述第一适应度是否小于所述预设最大适应度阈值的步骤之后,处理器1001还可以用于调用存储器1005中存储的基于贝叶斯优化的点云配准程序,并执行以下步骤:
若否,则根据所述初始角度和所述第一适应度,更新初始数据集,获得更新后的数据集;
基于所述更新后的数据集,寻优循环,直至得到的适应度小于所述预设最大适应度阈值,其中寻优循环为:循环执行基于所述更新后的数据集,根据贝叶斯优化算法,选取下一角度,并将所述第一轮廓点云绕XYZ轴分别旋转所述角度,得到下一轮廓点云;计算所述轮廓点云和所述模板点云的重心,平移所述轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;将所述轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算适应度的步骤。
进一步地,在寻优循环的过程中,处理器1001还可以用于调用存储器1005中存储的基于贝叶斯优化的点云配准程序,并执行以下步骤:
确定寻优循环的循环次数是否小于预设的寻优次数;
若是,则继续执行基于所述更新后的数据集,寻优循环,直至得到适应度小于所述预设最大适应度阈值的步骤。
进一步地,所述确定寻优循环的循环次数是否小于预设的寻优次数的步骤之后,处理器1001还可以用于调用存储器1005中存储的基于贝叶斯优化的点云配准程序,并执行以下步骤:
若否,则寻优循环结束,点云配准流程结束,获取下一目标对象。
进一步地,所述基于所述初始数据集,根据贝叶斯优化算法,选取初始角度的步骤包括:
基于所述初始数据集,构建高斯过程的回归模型,并基于所述回归模型,确定贝叶斯优化算法的获取函数;
基于贝叶斯优化算法,通过对所述获取函数的最大优化,选择初始角度。
进一步地,所述基于所述初始数据集,构建高斯过程的回归模型,并根据所述回归模型,确定贝叶斯优化算法的获取函数的步骤包括:
基于所述初始数据集,构建高斯过程的回归模型,并预测所述目标对象对应旋转的未知角度的均值和标准差;
根据所述均值和所述标准差,确定贝叶斯优化算法的获取函数。
基于上述系统的硬件结构,提出本发明基于贝叶斯优化的点云配准方法各个实施例。
本发明提供一种基于贝叶斯优化的点云配准方法,基于贝叶斯优化的点云配准方法可选应用于基于贝叶斯优化的点云配准系统中,基于贝叶斯优化的点云配准系统包括机器人。为方便描述,后续描述中基于贝叶斯优化的点云配准系统将以系统简称。
参照图2,图2为本发明基于贝叶斯优化的点云配准方法第一实施例的流程示意图。
在本实施例中,提供了基于贝叶斯优化的点云配准方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,基于贝叶斯优化的点云配准方法包括:
步骤S10,获取目标对象的点云和所述目标对象对应的模板点云,并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云;
步骤S20,根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集;
步骤S30,基于所述初始数据集,根据贝叶斯优化算法,选取初始角度;
步骤S40,根据所述初始角度,将所述第一轮廓点云绕XYZ轴进行旋转,得到第二轮廓点云;
步骤S50,计算所述第二轮廓点云和所述模板点云的重心,平移所述第二轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;
步骤S60,将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度;
步骤S70,基于所述第一适应度,提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿。
在本实施例中,系统拥有摄像头,用于扫描获取目标对象的点云,并将目标对象的点云旋转随机角度获得待匹配到点云,将待匹配点云与事先获取的模板点云进行ICP配准计算,迭代后,待初步收敛后,计算适应度,当计算所得的适应度小于预设最大适应度阈值时,提取目标对象的旋转矩阵和平移向量,以估计目标对象的位姿,进而控制机器人根据目标对象的位姿去抓取目标对象。
以下将对各个步骤进行详细说明:
步骤S10,获取目标对象的点云和所述目标对象对应的模板点云,并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云。
在本实施例中,系统事先获取每一种目标对象的标准位姿,并提取对应的点云,存为模板点云。在工作中,系统通过三维扫描等技术,获取目标对象的点云Ps,并获取目标对象对应的模板点云PM,可以理解的,在本实施例中,目标对象不止有一种,每一种目标对象对应有一个模板点云,因此系统需要判断当前的目标对象的属性,确定当前目标对象是哪一种,进而去获取对应的模板点云。
接着,系统分别提取目标对象的点云Ps的第一轮廓点云Cs和模板点云的模板轮廓点云CM。
步骤S20,根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集。
在本实施例中,系统根据第一轮廓点云Cs和模板轮廓点云CM,构建初始数据集D3={(x1,y1),(x2,y2),(x3,y3)}。
具体的,步骤S20包括:。
步骤S21,将所述第一轮廓点云绕XYZ轴分别旋转随机角度,得到第三轮廓点云;
步骤S22,将所述第三轮廓点云与模板轮廓点云进行ICP配准计算,迭代第二预设次数后,计算第二适应度;
步骤S23,重复执行上述步骤三次,得到初始数据集。
系统将第一轮廓点云Cs绕XYZ轴分别旋转随角度得到第三轮廓点云,可以理解的,由于第三轮廓点云是第一轮廓点云旋转一定角度得到的,故第三轮廓点云中的第三,仅为与第一轮廓点云区别。
系统将第三轮廓点云与模板点云进行ICP配准计算,待迭代第二预设次数后,待初步收敛后,计算第三轮廓点云与模板点云的适应度y,其中,可以理解的,在实际生产中,由于时间的关系,不可能无限的迭代下去,所以设置一个迭代次数。
系统重复上述步骤三次,得到初始数据集D3={(x1,y1),(x2,y2),(x3,y3)},其中n=1,2,3。可以理解的,在ICP粗配准过程中,需要进行刚性变换这一过程,需要三组对应关系点对。
步骤S30,基于所述初始数据集,根据贝叶斯优化算法,选取初始角度。
在本实施例中,系统根据获得的初始数据集,根据贝叶斯优化算法,选取初始角度,可以理解的,该初始角度不再是随机进行选取的,而是根据之前获得的初始数据集,通过贝叶斯优化算法和高斯回归方程预测得到的。
具体的,步骤S30包括:
步骤S31,基于所述初始数据集,构建高斯过程的回归模型,并基于所述回归模型,确定贝叶斯优化算法的获取函数;
步骤S32,基于贝叶斯优化算法,通过对所述获取函数的最大优化,选择初始角度。
系统根据获得的初始数据集,构建高斯过程的回归模型,并基于回归模型,确定贝叶斯优化算法的获取函数。,根据获取函数选择初始角度。
其中,步骤S31包括:
步骤S311,基于所述初始数据集,构建高斯过程的回归模型,并预测所述目标对象对应旋转的未知角度的均值和标准差;
步骤S312,根据所述均值和所述标准差,确定贝叶斯优化算法的获取函数。
在本实施例中,系统首先定义贝叶斯优化算法(BOA)的获取函数(AC函数):
α(x;Dn)=-μn(x)+β1/2σn(x),x∈Dn
贝叶斯优化算法通过获取函数的最大优化,选择下一次旋转角度xn+1;
在上述表述中,我们使用已有的观测值,即初始数据集,来构建一个高斯过程的回归模型,并预测未知输入位置,即旋转后目标对象的旋转角度的均值μn(x)和标准差σn(x),我们希望均值越小越好,因为均值越小表明ICP配准适应度越小,标准差越大越好,表明贝叶斯优化算法的勘探能力越强,最终选择两者加权,β1/2是权重系数。
其中,均值μn(x)和标准差σn(x)的计算方法为:
由于ICP配准方法需要目标对象的点云相对于模板点云之间确定一个良好的初始姿态,否则会造成迭代不收敛或陷入局部最优解的情况,最终导致误配准或不收敛。即目标对象的轮廓点云每一组不同的初始姿势,即旋转角度经过一定次数迭代后,如果是比较好的初始姿势,两个点云间开始收敛,此时适应度y显著减小。即我们可以认为y与之间存在某种函数(映射)关系,即y=f(α,β,γ)=f(x)。
由于f(x)形式无法显性求取,我们用高斯过程来逼近,即,
f(x)~GP(m(x),k(x,x′))
其中m(x)代表样本f(x)的数学期望E(f(x)),在贝叶斯优化中通常取0,k(x,x')为核函数,描述的是x的协方差。
对于每个x都有一个对应的高斯分布,而对于一组{x1,x2...xn},则存在一个联合高斯分布,其均值为0,协方差为:
对于一个新样本xn+1,联合高斯分布为:
可以得到fn+1的后验概率:
P(fn+1|D1:n,xn+1)=N(μn(x),σt 2(x))
这样就可以计算出均值和方差:
μn(x)=kTK-1f1:n
σn 2(x)=k(xn+1,xn+1)-kTK-1k
而其中关于核函数k(xi,xj)的计算方法为:
核函数k(xi,xj)计算的方式有很多,在本实施例中采用高斯核函数:
步骤S40,根据所述初始角度,将所述第一轮廓点云绕XYZ轴进行旋转,得到第二轮廓点云。
在本实施例中,系统根据得到的初始角度,将第一轮廓点云按照初始角度绕XYZ轴进行旋转,得到旋转后的第二轮廓点云。
步骤S50,计算所述第二轮廓点云和所述模板点云的重心,平移所述第二轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;
在本实施例中,系统分别计算第二轮廓点云和模板点云的重心,通过平移,将第二轮廓点云的位置平移至模板点云的位置,使第二轮廓的重心与模板点云的重心重叠。具体的,以模板点云的重心为原点,构建三维坐标系,计算第二轮廓点云的重心,并将该重心平移至原点,使第二轮廓点云的重心与模板点云的重心一致。
步骤S60,将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度。
在本实施例中,系统在将目标对象的点云进行旋转和平移后,将得到的第二轮廓点云与模板点云进行ICP配准计算,迭代第一预设次数后,待收敛后,计算第一适应度,迭代次数在实际应用中,可以设置为30次,适应度的求值过程在此不再说明。
步骤S70,基于所述第一适应度,提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿。
在本实施例中,可以理解的,适应度越小越好,为此系统事先设置一个比较值,即最大适应度阈值,当系统求得的第一适应度小于预设最大适应度阈值时,说明配准成功,系统进一步提取目标对象的旋转参数和平移参数,并根据获得的旋转参数和平移参数,估计目标对象的位姿,以便系统根据目标对象的位姿调整机器人的拾取动作,完成对目标对象的拾取。
本实施例通过获取目标对象的点云和所述目标对象对应的模板点云,并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云;根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集;基于所述初始数据集,根据贝叶斯优化算法,选取初始角度;根据所述初始角度,将所述第一轮廓点云绕XYZ轴进行旋转,得到第二轮廓点云;计算所述第二轮廓点云和所述模板点云的重心,平移所述第二轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度;基于所述第一适应度,提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿。本发明利用目标对象的轮廓点云,基于贝叶斯优化算法,进行配准寻优,找到目标对象较为优化的初始位姿,以便机器人根据初始位姿调整拾取动作,快速完成目标对象的拾取。
进一步地,基于第一实施例提出本发明基于贝叶斯优化的点云配准方法的第二实施例。
基于贝叶斯优化的点云配准方法的第二实施例与基于贝叶斯优化的点云配准方法的第一实施例的区别在于,参照图3,基于贝叶斯优化的点云配准方法还包括:
步骤S80,确定所述第一适应度是否小于所述预设最大适应度阈值;
步骤S90,若否,则根据所述初始角度和所述第一适应度,更新初始数据集,获得更新后的数据集;
步骤S100,基于所述更新后的数据集,寻优循环,直至得到的适应度小于所述预设最大适应度阈值,其中寻优循环为:循环执行基于所述更新后的数据集,根据贝叶斯优化算法,选取下一角度,并将所述第一轮廓点云绕XYZ轴分别旋转所述角度,得到下一轮廓点云;计算所述轮廓点云和所述模板点云的重心,平移所述轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;将所述轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算适应度的步骤。
本实施例系统事先设置一个最大适应度阈值,当系统将目标对象的点云经过旋转和平移后,将得到的新的点云与模板点云进行ICP配准计算,得出适应度,判断该适应度是否小于预设最大适应度阈值,若否,则继续循环执行ICP配准的过程,直至得到的适应度小于预设最大适应度阈值。
具体的,步骤S80,确定所述第一适应度是否小于所述预设最大适应度阈值。
在本实施例中,系统将得到的第一适应度与预设最大适应度阈值进行比较,判断第一适应度是否小于预设最大适应度阈值。
步骤S90,若否,则根据所述初始角度和所述第一适应度,更新初始数据集,获得更新后的数据集。
若系统判定第一适应度大于等于预设最大适应度阈值,则将对应的初始角度和第一适应度加入初始数据集,以更新初始数据集,系统获得更新后的数据集。
步骤S100,基于所述更新后的数据集,寻优循环,直至得到的适应度小于所述预设最大适应度阈值,其中寻优循环为:循环执行基于所述更新后的数据集,根据贝叶斯优化算法,选取下一角度,并将所述第一轮廓点云绕XYZ轴分别旋转所述角度,得到下一轮廓点云;计算所述轮廓点云和所述模板点云的重心,平移所述轮廓点云,使所述轮廓的重心与所述模板点云的重心重叠;将所述轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算适应度的步骤。
系统根据更新后的数据集,通过贝叶斯优化算法,重新选择下一旋转角度,并按照该旋转角度,将第一轮廓点云绕XYZ轴分别进行旋转,在得到旋转后的轮廓点云后,计算该轮廓点云的重心,并平移该轮廓点云,使该轮廓点云的重心与模板点云的重心重合,并将该轮廓点云与模板点云进行ICP配准计算,迭代第一预设次数后,计算得到新的适应度,然后重新判断新的适应度是否小于预设最大适应度阈值,若否,则继续执行上述步骤,直至得到的适应度小于预设最大适应度阈值。
可以理解的,若是,则执行提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿的步骤,在此不再赘述。
本实施例系统事先设置一个最大适应度阈值,当系统将目标对象的点云经过旋转和平移后,将得到的新的点云与模板点云进行ICP配准计算,得出适应度,判断该适应度是否小于预设最大适应度阈值,若否,则继续循环执行ICP配准的过程,直至得到的适应度小于预设最大适应度阈值,以得到一个较优的旋转参数和平移参数,便于后续调整机器人的拾取动作,快速完成对目标对象的拾取。
进一步地,基于第一、或者第二实施例提出本发明基于贝叶斯优化的点云配准方法的第三实施例。基于贝叶斯优化的点云配准方法的第三实施例与基于贝叶斯优化的点云配准方法的第一、或者第二实施例的区别在于,在寻优循环的过程中,基于贝叶斯优化的点云配准方法还包括:
步骤S110,确定寻优循环的循环次数是否小于预设的寻优次数;
若是,则继续执行基于所述更新后的数据集,寻优循环,直至得到适应度小于所述预设最大适应度阈值的步骤。
若否,则寻优循环结束,点云配准流程结束,获取下一目标对象。
在本实施例中,寻优循环有次数限制,在寻优循环的过程中,系统需要确定本次循环的次数是否小于预设的寻优次数,若是,则执行寻优循环;若否,则循环结束,本次点云配准流程结束,系统获取下一目标对象。
具体的,系统记录每一次寻优循环次数,可以理解的,虽然一直选优循环下次,得到的适应度的值肯定是越来越小,但是,由于时间关系,在实际生产中,并不会花太多时间在寻优循环上,故事先在系统上设置一个寻优次数,当寻优循环次数小于预设的寻优次数时,则继续执行寻优循环;当达到该预设的寻优次数时,系统默认没有必要再配准下去,对应的目标对象即视为放弃拾取,系统转而获取下一目标对象。
可以理解的,在实际生产中,有多种目标对象,当短时间内无法获知当前的目标对象的较优位姿时,为快速生产需要,系统放弃拾取该目标对象,转而拾取下一目标对象。
本实施例寻优循环有次数限制,在寻优循环的过程中,通过确定本次循环的次数是否小于预设的寻优次数,若是,则执行寻优循环;若否,则循环结束,本次点云配准流程结束,直接跳过当前目标对象,获取下一目标对象。提高机器人的拾取效率。
此外,本发明实施例还提出一种计算机可读存储介质。
所述计算机可读存储介质上存储有基于贝叶斯优化的点云配准程序,所述计算机可读存储介质应用于移动终端,所述基于贝叶斯优化的点云配准程序被处理器执行时实现如上所述步骤。
本发明计算机可读存储介质具体实施方式与上述基于贝叶斯优化的点云配准方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得多台停车场设备和/或充电设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于贝叶斯优化的点云配准方法,其特征在于,所述基于贝叶斯优化的点云配准方法包括以下步骤:
获取目标对象的点云和所述目标对象对应的模板点云,并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云;
根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集;
基于所述初始数据集,根据贝叶斯优化算法,选取初始角度;
根据所述初始角度,将所述第一轮廓点云绕XYZ轴进行旋转,得到第二轮廓点云;
计算所述第二轮廓点云和所述模板点云的重心,平移所述第二轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;
将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度;
基于所述第一适应度,提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿。
2.如权利要求1所述的基于贝叶斯优化的点云配准方法,其特征在于,所述根据所述第一轮廓点云和所述模板轮廓点云,构建初始数据集的步骤包括:
将所述第一轮廓点云绕XYZ轴分别旋转随机角度,得到第三轮廓点云;
将所述第三轮廓点云与模板轮廓点云进行ICP配准计算,迭代第二预设次数后,计算第二适应度;
重复执行上述步骤三次,得到初始数据集。
3.如权利要求1所述的基于贝叶斯优化的点云配准方法,其特征在于,所述将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算第一适应度的步骤之后,所述方法还包括:
确定所述第一适应度是否小于所述预设最大适应度阈值;
若是,则执行提取所述目标对象的旋转参数和平移参数,并根据所述旋转参数和所述平移参数,估计所述目标对象的位姿的步骤。
4.如权利要求3所述的基于贝叶斯优化的点云配准方法,其特征在于,所述确定所述第一适应度是否小于所述预设最大适应度阈值的步骤之后,所述方法还包括:
若否,则根据所述初始角度和所述第一适应度,更新初始数据集,获得更新后的数据集;
基于所述更新后的数据集,寻优循环,直至得到的适应度小于所述预设最大适应度阈值,其中寻优循环为:循环执行基于所述更新后的数据集,根据贝叶斯优化算法,选取下一角度,并将所述第一轮廓点云绕XYZ轴分别旋转所述角度,得到下一轮廓点云;计算所述轮廓点云和所述模板点云的重心,平移所述轮廓点云,使所述第二轮廓的重心与所述模板点云的重心重叠;将所述轮廓点云与所述模板轮廓点云进行ICP配准计算,迭代第一预设次数后,计算适应度的步骤。
5.如权利要求4所述的基于贝叶斯优化的点云配准方法,其特征在于,在寻优循环的过程中,所述方法还包括:
确定寻优循环的循环次数是否小于预设的寻优次数;
若是,则继续执行基于所述更新后的数据集,寻优循环,直至得到适应度小于所述预设最大适应度阈值的步骤。
6.如权利要求5所述的基于贝叶斯优化的点云配准方法,其特征在于,所述确定寻优循环的循环次数是否小于预设的寻优次数的步骤之后,所述方法还包括:
若否,则获取下一目标对象。
7.如权利要求1所述的基于贝叶斯优化的点云配准方法,其特征在于,所述基于所述初始数据集,根据贝叶斯优化算法,选取初始角度的步骤包括:
基于所述初始数据集,构建高斯过程的回归模型,并基于所述回归模型,确定贝叶斯优化算法的获取函数;
基于贝叶斯优化算法,通过对所述获取函数的最大优化,选择初始角度。
8.如权利要求7所述的基于贝叶斯优化的点云配准方法,其特征在于,所述基于所述初始数据集,构建高斯过程的回归模型,并根据所述回归模型,确定贝叶斯优化算法的获取函数的步骤包括:
基于所述初始数据集,构建高斯过程的回归模型,并预测所述目标对象对应旋转的未知角度的均值和标准差;
根据所述均值和所述标准差,确定贝叶斯优化算法的获取函数。
9.一种基于贝叶斯优化的点云配准系统,其特征在于,所述基于贝叶斯优化的点云配准系统包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于贝叶斯优化的点云配准程序,所述基于贝叶斯优化的点云配准程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于贝叶斯优化的点云配准方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有基于贝叶斯优化的点云配准程序,所述基于贝叶斯优化的点云配准程序被处理器执行时实现如权利要求1至8中任一项所述的基于贝叶斯优化的点云配准方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811200061.7A CN109345578B (zh) | 2018-10-15 | 2018-10-15 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811200061.7A CN109345578B (zh) | 2018-10-15 | 2018-10-15 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345578A true CN109345578A (zh) | 2019-02-15 |
CN109345578B CN109345578B (zh) | 2021-05-11 |
Family
ID=65310433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811200061.7A Active CN109345578B (zh) | 2018-10-15 | 2018-10-15 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345578B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866934A (zh) * | 2019-10-14 | 2020-03-06 | 中国科学院自动化研究所 | 基于规范性编码的复杂点云分割方法及系统 |
CN111388089A (zh) * | 2020-03-19 | 2020-07-10 | 京东方科技集团股份有限公司 | 治疗设备及其配准方法、配准装置 |
CN111553936A (zh) * | 2020-04-14 | 2020-08-18 | 北京理工大学珠海学院 | 一种点云配准方法、系统、装置和存储介质 |
CN112116638A (zh) * | 2020-09-04 | 2020-12-22 | 季华实验室 | 一种三维点云匹配方法、装置、电子设备和存储介质 |
CN112465903A (zh) * | 2020-12-21 | 2021-03-09 | 上海交通大学宁波人工智能研究院 | 一种基于深度学习点云匹配的6dof物体姿态估计方法 |
CN112561998A (zh) * | 2020-12-16 | 2021-03-26 | 国网江苏省电力有限公司检修分公司 | 一种基于三维点云配准的机器人定位和自主充电方法 |
CN112950706A (zh) * | 2019-12-11 | 2021-06-11 | 北京海益同展信息科技有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
CN113450299A (zh) * | 2020-03-09 | 2021-09-28 | 深圳中科飞测科技股份有限公司 | 图像匹配方法、计算机装置及可读存储介质 |
CN113537231A (zh) * | 2020-04-17 | 2021-10-22 | 西安邮电大学 | 一种联合梯度与随机信息的轮廓点云匹配方法 |
CN113706454A (zh) * | 2021-07-13 | 2021-11-26 | 广东泽亨智能科技有限公司 | 一种基于配准的工件偏移检测的方法及喷涂装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010019925A1 (en) * | 2008-08-15 | 2010-02-18 | Brown Technology Partnerships | Method and apparatus for estimating body shape |
CN106485741A (zh) * | 2016-10-19 | 2017-03-08 | 哈尔滨工业大学 | 一种保留局部结构的非刚点集配准的方法 |
CN107607107A (zh) * | 2017-09-14 | 2018-01-19 | 斯坦德机器人(深圳)有限公司 | 一种基于先验信息的Slam方法和装置 |
US20180101954A1 (en) * | 2015-03-31 | 2018-04-12 | Cortechs Labs, Inc. | Covariate modulate atlas |
CN108053434A (zh) * | 2017-12-28 | 2018-05-18 | 西安中科微光影像技术有限公司 | 一种基于心血管oct的支架对齐方法及装置 |
CN108242079A (zh) * | 2017-12-30 | 2018-07-03 | 北京工业大学 | 一种基于多特征视觉里程计和图优化模型的vslam方法 |
-
2018
- 2018-10-15 CN CN201811200061.7A patent/CN109345578B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010019925A1 (en) * | 2008-08-15 | 2010-02-18 | Brown Technology Partnerships | Method and apparatus for estimating body shape |
US20180101954A1 (en) * | 2015-03-31 | 2018-04-12 | Cortechs Labs, Inc. | Covariate modulate atlas |
CN106485741A (zh) * | 2016-10-19 | 2017-03-08 | 哈尔滨工业大学 | 一种保留局部结构的非刚点集配准的方法 |
CN107607107A (zh) * | 2017-09-14 | 2018-01-19 | 斯坦德机器人(深圳)有限公司 | 一种基于先验信息的Slam方法和装置 |
CN108053434A (zh) * | 2017-12-28 | 2018-05-18 | 西安中科微光影像技术有限公司 | 一种基于心血管oct的支架对齐方法及装置 |
CN108242079A (zh) * | 2017-12-30 | 2018-07-03 | 北京工业大学 | 一种基于多特征视觉里程计和图优化模型的vslam方法 |
Non-Patent Citations (10)
Title |
---|
DEMETRIOS GEROGIANNIS等: ""Registering sets of points using Bayesian regression"", 《NEUROCOMPUTING》 * |
ELIF AYVALI等: ""Using Bayesian optimization to guide probing of a flexible environment for simultaneous registration and stiffness mapping"", 《2016 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
HERNAN F.GARCIA等: ""Bayesian Optimization for Fitting 3D Morphable Models of Brain Structures"", 《CIARP 2016: PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS》 * |
JULIAN STRAUB等: ""Efficient Global Point Cloud Alignment using Bayesian Nonparametric Mixtures"", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
PAUL J. BESL等: ""A Method for Registration of 3-D Shapes"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
XIA ZHENG等: ""Registration of 3D FMT and CT Images of Mouse Via Affine Transformation with Bayesian Iterative Closest Points"", 《INTERNATIONAL SYMPOSIUM ON NEURAL NETWORKS 2007》 * |
吴嘉嘉: ""贝叶斯刚性点云配准的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
林桂潮等: ""融合高斯混合模型和点到面距离的点云配准"", 《计算机辅助设计与图形学学报》 * |
范威: ""基于RGB-D点云数据的物体变动识别"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
金少伟: ""基于贝叶斯模型的图像配准方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866934B (zh) * | 2019-10-14 | 2022-09-09 | 中国科学院自动化研究所 | 基于规范性编码的复杂点云分割方法及系统 |
CN110866934A (zh) * | 2019-10-14 | 2020-03-06 | 中国科学院自动化研究所 | 基于规范性编码的复杂点云分割方法及系统 |
CN112950706B (zh) * | 2019-12-11 | 2023-11-03 | 京东科技信息技术有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
CN112950706A (zh) * | 2019-12-11 | 2021-06-11 | 北京海益同展信息科技有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
CN113450299A (zh) * | 2020-03-09 | 2021-09-28 | 深圳中科飞测科技股份有限公司 | 图像匹配方法、计算机装置及可读存储介质 |
CN111388089B (zh) * | 2020-03-19 | 2022-05-20 | 京东方科技集团股份有限公司 | 治疗设备及其配准方法、配准装置 |
CN111388089A (zh) * | 2020-03-19 | 2020-07-10 | 京东方科技集团股份有限公司 | 治疗设备及其配准方法、配准装置 |
CN111553936A (zh) * | 2020-04-14 | 2020-08-18 | 北京理工大学珠海学院 | 一种点云配准方法、系统、装置和存储介质 |
CN111553936B (zh) * | 2020-04-14 | 2023-04-25 | 北京理工大学珠海学院 | 一种点云配准方法、系统、装置和存储介质 |
CN113537231A (zh) * | 2020-04-17 | 2021-10-22 | 西安邮电大学 | 一种联合梯度与随机信息的轮廓点云匹配方法 |
CN113537231B (zh) * | 2020-04-17 | 2024-02-13 | 西安邮电大学 | 一种联合梯度与随机信息的轮廓点云匹配方法 |
CN112116638A (zh) * | 2020-09-04 | 2020-12-22 | 季华实验室 | 一种三维点云匹配方法、装置、电子设备和存储介质 |
CN112561998A (zh) * | 2020-12-16 | 2021-03-26 | 国网江苏省电力有限公司检修分公司 | 一种基于三维点云配准的机器人定位和自主充电方法 |
CN112561998B (zh) * | 2020-12-16 | 2024-02-20 | 国网江苏省电力有限公司检修分公司 | 一种基于三维点云配准的机器人定位和自主充电方法 |
CN112465903A (zh) * | 2020-12-21 | 2021-03-09 | 上海交通大学宁波人工智能研究院 | 一种基于深度学习点云匹配的6dof物体姿态估计方法 |
CN113706454B (zh) * | 2021-07-13 | 2022-05-03 | 广东泽亨智能科技有限公司 | 一种基于配准的工件偏移检测的方法及喷涂装置 |
CN113706454A (zh) * | 2021-07-13 | 2021-11-26 | 广东泽亨智能科技有限公司 | 一种基于配准的工件偏移检测的方法及喷涂装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109345578B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345578A (zh) | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 | |
She et al. | Learning high-DOF reaching-and-grasping via dynamic representation of gripper-object interaction | |
WO2018221614A1 (ja) | 学習装置、学習方法、学習モデル、推定装置及び把持システム | |
CN110450153B (zh) | 一种基于深度强化学习的机械臂物品主动拾取方法 | |
JP7071054B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP7045139B2 (ja) | 機械学習装置、機械学習方法、および機械学習プログラム | |
CN109101966B (zh) | 基于深度学习的工件识别定位和姿态估计系统和方法 | |
JP2021536068A (ja) | 物体姿勢推定方法および装置 | |
CN102113012B (zh) | 手指形状推定装置、手指形状的推定方法及程序 | |
Gélard et al. | Model-based segmentation of 3D point clouds for phenotyping sunflower plants | |
CN110298886B (zh) | 一种基于四级卷积神经网络的灵巧手抓取规划方法 | |
CN108550162B (zh) | 一种基于深度强化学习的物体检测方法 | |
JP4669581B2 (ja) | 物体位置推定システム、物体位置推定装置、物体位置推定方法、及び、物体位置推定プログラム | |
CN108712946A (zh) | 货物摆放方法、装置、系统以及电子设备和可读存储介质 | |
CN111368759B (zh) | 基于单目视觉的移动机器人语义地图构建系统 | |
CN105426929B (zh) | 对象形状对准装置、对象处理装置及其方法 | |
JP2019036167A (ja) | 画像処理装置、画像処理方法 | |
CN111260649B (zh) | 一种近距离机械臂感知与校准方法 | |
JP7458741B2 (ja) | ロボット制御装置及びその制御方法及びプログラム | |
CN114387513A (zh) | 机器人抓取方法、装置、电子设备及存储介质 | |
Tang et al. | Learning collaborative pushing and grasping policies in dense clutter | |
CN113997295B (zh) | 机械臂的手眼标定方法、装置、电子设备及存储介质 | |
CN115510727B (zh) | 一种抓取机构稳定抓持力阈值计算及其控制方法 | |
CN115464659A (zh) | 一种基于视觉信息的深度强化学习ddpg算法的机械臂抓取控制方法 | |
CN110473291A (zh) | 用于容器拾取的容器建模方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |