CN114083535A - 一种机器手抓取姿势质量的物理度量方法及装置 - Google Patents
一种机器手抓取姿势质量的物理度量方法及装置 Download PDFInfo
- Publication number
- CN114083535A CN114083535A CN202111371166.0A CN202111371166A CN114083535A CN 114083535 A CN114083535 A CN 114083535A CN 202111371166 A CN202111371166 A CN 202111371166A CN 114083535 A CN114083535 A CN 114083535A
- Authority
- CN
- China
- Prior art keywords
- score
- candidate
- determining
- gesture
- point
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1612—Programme controls characterised by the hand, wrist, grip control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种机器手抓取姿势质量的物理度量方法及装置。其中,该方法包括:确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;确定所述候选抓取姿势夹持所述物体的重心分数;基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。本发明提供的机器手抓取姿势质量的物理度量方法,基于人类在生活中拿起物体时倾向于接触物体上更平坦的部位以及习惯于接触物体的中心部位的特性,通过两种物理度量分数分别从物体自身平坦度和重力分析上评价机器手抓取姿势的质量,使得候选抓取姿势的评价结果具有更强的鲁棒性,在对实际物体预测抓取姿势时,能够选择出更加优质的候选抓取姿势,从而提升了后续机器手抓取姿势控制的精确度和稳定性。
Description
技术领域
本发明涉及人工智能处理技术领域,具体涉及一种机器手抓取姿势质量的物理度量方法及装置。另外,还涉及一种电子设备及处理器可读存储介质。
背景技术
近年来,随着计算机技术的快速发展,基于计算机技术实现的人工智能机器人得到越来越广泛的应用。其中,在实际应用中,如何使机器手选择更加有效的抓取姿势以提高对物体的抓取精度成为当前人们的研究重点。然而,现有技术中对候选抓取姿势的度量方案的鲁棒性较差,导致机器手选择抓取姿势夹持物体时的精度和稳定性难以满足实际需要。因此,如何设计一种高效的机器手抓取姿势质量的物理度量方案成为亟待解决的难题。
发明内容
为此,本发明提供一种机器手抓取姿势质量的物理度量方法及装置,以解决现有技术中存在的机器手抓取姿势质量的物理度量方案局限性较高,导致机器手选择抓取姿势的精度和稳定性较差的缺陷。
第一方面,本发明提供一种机器手抓取姿势质量的物理度量方法,包括:
确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;
确定所述候选抓取姿势夹持所述物体的重心分数;
基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
进一步的,所述确定机器手的候选抓取姿势与物体之间接触点的平坦度分数,具体包括:
计算所述物体上每个点的外法向向量;
将所述物体上每个点的外法向向量与其邻域内点的外法向向量进行相似性度量,确定每个点的法向一致性分数;基于所述法向一致性分数的值确定所述物体上的平坦点;
确定所述候选抓取姿势与所述物体之间的接触点,从所述法向一致性分数中查询得到所述接触点对应的目标法向一致性分数;
基于所述候选抓取姿势夹持所述物体的闭合方向和所述物体上平坦点的法向方向,确定所述候选抓取姿势的闭合方向一致性分数;
基于所述目标法向一致性分数和所述闭合方向一致性分数,确定所述候选抓取姿势与所述物体之间接触点的平坦度分数。
进一步的,确定所述候选抓取姿势夹持所述物体的重心分数,具体包括:
确定所述候选抓取姿势与所述物体之间的接触点;
确定所述物体的重心位置;
度量所述接触点对应的对拓直线与所述物体的重心位置之间的距离数据,基于所述距离数据确定所述候选抓取姿势夹持所述物体的重心分数。
进一步的,所述平坦度分数的大小用于表示所述候选抓取姿势与所述物体之间接触点的平坦程度的高低以及所述候选抓取姿势夹持所述物体的闭合方向与所述接触点的法向方向一致性程度。
进一步的,基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量,具体包括:
基于所述平坦度分数和所述重心分数,生成所述候选抓取姿势对应的二值化置信度分数;
基于所述二值化置信度分数确定所述候选抓取姿势的抓取质量。
第二方面,本发明还提供一种机器手抓取姿势质量的物理度量装置,包括:
平坦度分数确定单元,用于确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;
重心分数确定单元,用于确定所述候选抓取姿势夹持所述物体的重心分数;
候选抓取姿势评估单元,用于基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
进一步的,所述平坦度分数确定单元,具体用于:
计算所述物体上每个点的外法向向量;
将所述物体上每个点的外法向向量与其邻域内点的外法向向量进行相似性度量,确定每个点的法向一致性分数;基于所述法向一致性分数的值确定所述物体上的平坦点;
确定所述候选抓取姿势与所述物体之间的接触点,从所述法向一致性分数中查询得到所述接触点对应的目标法向一致性分数;
基于所述候选抓取姿势夹持所述物体的闭合方向和所述物体上平坦点的法向方向,确定所述候选抓取姿势的闭合方向一致性分数;
基于所述目标法向一致性分数和所述闭合方向一致性分数,确定所述候选抓取姿势与所述物体之间接触点的平坦度分数。
进一步的,所述重心分数确定单元,具体用于:
确定所述候选抓取姿势与所述物体之间的接触点;
确定所述物体的重心位置;
度量所述接触点对应的对拓直线与所述物体的重心位置之间的距离数据,基于所述距离数据确定所述候选抓取姿势夹持所述物体的重心分数。
进一步的,所述平坦度分数的大小用于表示所述候选抓取姿势与所述物体之间接触点的平坦程度的高低以及所述候选抓取姿势夹持所述物体的闭合方向与所述接触点的法向方向一致性程度。
进一步的,所述候选抓取姿势评估单元,具体用于:
基于所述平坦度分数和所述重心分数,生成所述候选抓取姿势对应的二值化置信度分数;
基于所述二值化置信度分数确定所述候选抓取姿势的抓取质量。
第三方面,本发明还提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述计算机程序时实现如上述任意一项所述机器手抓取姿势质量的物理度量方法的步骤。
第四方面,本发明还提供一种处理器可读存储介质,所述处理器可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述机器手抓取姿势质量的物理度量方法的步骤。
本发明提供的机器手抓取姿势质量的物理度量方法,基于人类在生活中拿起物体时倾向于接触物体上更平坦的部位以及习惯于接触物体的中心部位的特性,通过两种物理度量分数分别从物体自身平坦度和重力分析上评价机器手抓取姿势的质量,使得候选抓取姿势的评价结果具有更强的鲁棒性,在对实际物体预测抓取姿势时,能够选择出更加优质的候选抓取姿势,从而提升了后续机器手抓取姿势控制的精确度和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的机器手抓取姿势质量的物理度量方法的流程示意图;
图2是本发明实施例提供的二值夹爪抓取时与物体的接触示意图;
图3是本发明实施例提供的平坦度度量的流程图;
图4是本发明实施例提供的重心度量的流程图;
图5是本发明实施例提供的置信度结果示例图;
图6是本发明实施例提供的机器手抓取姿势质量的物理度量装置的结构示意图;
图7是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面基于本发明所述的机器手抓取姿势质量的物理度量方法,对其实施例进行详细描述。如图1所示,其为本发明实施例提供的机器手抓取姿势质量的物理度量方法的流程示意图,具体实现过程包括以下步骤:
步骤101:确定机器手的候选抓取姿势与物体之间接触点的平坦度分数。
在本发明实施例中,所述确定机器手的候选抓取姿势与物体之间接触点的平坦度分数的实现过程包括:首先,计算所述物体上每个点的外法向向量,并将所述物体上每个点的外法向向量与其邻域内点的外法向向量进行相似性度量以确定每个点的法向一致性分数,从而基于所述法向一致性分数的值确定所述物体上的平坦点;然后,确定所述候选抓取姿势与所述物体之间的接触点,从所述法向一致性分数中查询得到所述接触点对应的目标法向一致性分数,并基于所述候选抓取姿势夹持所述物体的闭合方向和所述物体上平坦点的法向方向来确定所述候选抓取姿势的闭合方向一致性分数;最后,基于所述目标法向一致性分数和所述闭合方向一致性分数,确定所述候选抓取姿势与所述物体之间接触点的平坦度分数。其中,所述平坦度分数的大小用于表示所述候选抓取姿势与所述物体之间接触点的平坦程度的高低以及所述候选抓取姿势夹持所述物体的闭合方向与所述接触点的法向方向一致性程度。所述物体可以是指3D物体模型。
具体的,如图2和3所示,在上述平坦度度量过程中,可利用预设的三维数据处理库(open3d)计算待抓取物体上每个点的法向向量,并统一法向向量方向为外法向。通过预设的k最邻近分类算法(KNN,K-Nearest Neighbor)进行搜索,将每个点与其邻域内点的外法向向量进行相似性度量,并将相似性度量结果分别作为每个点的法向一致性分数Sf1:
其中,K为KNN邻域内点个数;Vq为接触点的外法向向量;Vn为接触点对应的邻域内点的外法向向量。对于单个点,如果其整个邻域内点的法向向量都朝向一个方向,则说明该点为物体上比较平坦的点,即平坦点,此时对应的法向一致性分数Sf1接近于1。
进一步的,在具体实施过程中,可通过几何计算找到候选抓取姿势与物体之间的接触点,并基于上述度量结果查询该接触点的目标法向一致性分数。同时,由于当候选抓取姿势夹持物体的闭合方向与平坦点的法向方向一致时,闭合更有效,因此需要计算候选抓取姿势夹持物体时的闭合方向一致性分数Sf2:
式中,Va指闭合方向向量;Vq为接触点的外法向向量。
其中,Vq包含Vqr和Vql;Vqr和Vql分别指right和left接触点Pcr和Pcl的外法向向量。
在实际实施过程中,平坦度度量过程中若候选抓取姿势与物体的接触点处平坦,且闭合方向与接触点法向越接近一致,则判定该候选抓取姿势质量更好,最终确定所述候选抓取姿势与所述物体之间接触点的平坦度分数的结果为Sf:
Sf=Sf1·Sf2
其中,Sf1为所述目标法向一致性分数;Sf2为所述闭合方向一致性分数。
步骤102:确定所述候选抓取姿势夹持所述物体的重心分数。
在本发明实施例中,确定所述候选抓取姿势夹持所述物体的重心分数的实现过程包括:确定所述候选抓取姿势与所述物体之间的接触点;确定所述物体的重心位置;度量所述接触点对应的对拓直线与所述物体的重心位置之间的距离数据,基于所述距离数据确定所述候选抓取姿势夹持所述物体的重心分数。
具体的,在重心度量过程中,对于每个物体,都存在一个重心,一般规范化后的3D物体模型,其坐标原点即为物体重心。
对于每个候选抓取姿势,都与物体存在至少两个接触点。如图2所示,当其存在两个接触点(Pcl和Pcr)时,两个接触点所在的对拓直线(Va)与重心距离越近,则该抓取姿势越省力。虚线辅助线表示与Va平行的向量。该距离度量定义为重心度量,则相应的重心分数为Sg(old):
其中:Pcl和Pcr为候选抓取姿势与物体的左接触点和右接触点的坐标;Pgc为物体的重心坐标。上式所得的重心分数经过归一化后,最终的重心分数Sg(new):
Sg(new)=1-Sg(old)
需要说明的是,Sg(old)为距离的归一化,距离越近,表示夹爪离重心越近,此时表示的抓取姿势的置信度分数也越高,因此Sg(old)越小,Sg(new)越大,则表示的抓取姿势的置信度分数更高,相应的表示其抓取姿势的质量也就越好。
在本发明实施例中,基于上述两种度量能够从不同的物理意义出发评估机器手抓取姿势的质量。比如,在构建6-Dof(6自由度)抓取姿势数据集时,利用上述两种度量方式可生成候选抓取姿势精细的置信度标签或置信度分数。在深度学习网络模型的训练过程中,网络模型可以学习到对怎样的抓取姿势产生更高的置信度,从而在实际操作中实现快速选择抓取质量更好的候选抓取姿势。需要说明的是,相比于之前的置信度生成方式,比如仿真的方式或力闭合度量,本发明方式生成的置信度是二值化的,即用0和1来代表抓取失败或成功。基于上述两种度量将计算得到一个0-1范围的浮点数来代表该抓取姿势的置信度。该种置信度分数对抓取姿势的衡量更加细致,则在网络模型学习到的对抓取姿势的区分能力也更加精细,从而在对实际物体预测抓取姿势时可以选择出更加优质的候选抓取姿势。
步骤103:基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
在本发明实施例中,基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量实现过程包括:基于所述平坦度分数和所述重心分数,生成所述候选抓取姿势对应的二值化置信度分数;基于所述二值化置信度分数确定所述候选抓取姿势的抓取质量。基于所述候选抓取姿势的抓取质量从所述候选抓取姿势确定目标抓取姿势。
在一个完整实施例中,针对二指机械夹爪的3D抓取姿势质量的物理度量过程,包括平坦度度量、重心度量。物理度量方法在构建6-Dof(6自由度)抓取姿势数据集时,用于生成抓取姿势的置信度。
在6-Dof抓取姿势数据集中,对于每个3D物体模型可能有百万级别的候选抓取姿势,这些候选抓取姿势以单个点为原点,生成二指夹爪形状表征的抓取姿势,如图2所示,几何形状201表征抓取姿势。抓取姿势在末端闭合方向上,与物体模型在夹取过程中会产生两个接触点,两个接触点产生对拓直线,则对拓直线在闭合方向上。通过距离度量,计算两个接触点坐标。平坦度度量用于评价接触点的平坦度以及与闭合方向的关系,重心度量用于评价由接触点产生的对拓直线与重心的关系。
其中,在平坦度度量过程中,首先,计算物体模型上每个点的平坦度,其实际是通过邻域内点的外法向向量一致性来衡量平坦度,具体可基于外法向向量一致性通过平均余弦距离来计算;其次,考虑抓取姿势的闭合方向与平坦接触点的法向一致时,更有利于稳定的抓取,具体可基于法向向量一致性通过余弦距离来衡量。在重心度量过程中,由于对拓直线与物体重心的距离越近,抓取质量越高,量化的分数应当越高,因此可通过计算接触点的对拓直线与物体重心的欧式距离,距离归一化后,得到重心分数。
采用本发明实施例所述的机器手抓取姿势质量的物理度量方法,基于人类在生活中拿起物体时倾向于接触物体上更平坦的部位以及习惯于接触物体的中心部位的特性,通过两种物理度量分数分别从物体自身平坦度和重力分析上评价机器手抓取姿势的质量,使得候选抓取姿势的评价结果具有更强的鲁棒性,在对实际物体预测抓取姿势时,能够选择出更加优质的候选抓取姿势,从而提升了后续机器手抓取姿势控制的精确度和稳定性。如图4所示,举例说明了平坦度度量与重心度量的结果。对于两个产生于3D狮子玩偶模型上的候选抓取姿势示例,平坦度度量和重心度量均给出了一个符合人类认知情况的度量结果,即平坦度分数和重心分数越大对应的候选抓取姿势越优,比如对应狮身处的候选抓取姿势优于对应狮尾处的候选抓取姿势。
与上述提供的一种机器手抓取姿势质量的物理度量方法相对应,本发明还提供一种机器手抓取姿势质量的物理度量装置。由于该装置的实施例相似于上述方法实施例,所以描述得比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的机器手抓取姿势质量的物理度量装置的实施例仅是示意性的。请参考图6所示,其为本发明实施例提供的一种机器手抓取姿势质量的物理度量装置的结构示意图。
本发明所述的机器手抓取姿势质量的物理度量装置,具体包括如下部分:
平坦度分数确定单元601,用于确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;
重心分数确定单元602,用于确定所述候选抓取姿势夹持所述物体的重心分数;
候选抓取姿势评估单元603,用于基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
进一步的,所述平坦度分数确定单元,具体用于:
计算所述物体上每个点的外法向向量;
将所述物体上每个点的外法向向量与其邻域内点的外法向向量进行相似性度量,确定每个点的法向一致性分数;基于所述法向一致性分数的值确定所述物体上的平坦点;
确定所述候选抓取姿势与所述物体之间的接触点,从所述法向一致性分数中查询得到所述接触点对应的目标法向一致性分数;
基于所述候选抓取姿势夹持所述物体的闭合方向和所述物体上平坦点的法向方向,确定所述候选抓取姿势的闭合方向一致性分数;
基于所述目标法向一致性分数和所述闭合方向一致性分数,确定所述候选抓取姿势与所述物体之间接触点的平坦度分数。
进一步的,所述重心分数确定单元,具体用于:
确定所述候选抓取姿势与所述物体之间的接触点;
确定所述物体的重心位置;
度量所述接触点对应的对拓直线与所述物体的重心位置之间的距离数据,基于所述距离数据确定所述候选抓取姿势夹持所述物体的重心分数。
进一步的,所述平坦度分数的大小用于表示所述候选抓取姿势与所述物体之间接触点的平坦程度的高低以及所述候选抓取姿势夹持所述物体的闭合方向与所述接触点的法向方向一致性程度。
进一步的,所述候选抓取姿势评估单元,具体用于:
基于所述平坦度分数和所述重心分数,生成所述候选抓取姿势对应的二值化置信度分数;
基于所述二值化置信度分数确定所述候选抓取姿势的抓取质量。
采用本发明实施例所述的机器手抓取姿势质量的物理度量装置,基于人类在生活中拿起物体时倾向于接触物体上更平坦的部位以及习惯于接触物体的中心部位的特性,通过两种物理度量分数分别从物体自身平坦度和重力分析上评价机器手抓取姿势的质量,使得候选抓取姿势的评价结果具有更强的鲁棒性,在对实际物体预测抓取姿势时,能够选择出更加优质的候选抓取姿势,从而提升了后续机器手抓取姿势控制的精确度和稳定性。
与上述提供的机器手抓取姿势质量的物理度量方法相对应,本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例,所以描述得比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的电子设备仅是示意性的。如图7所示,其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括:处理器(processor)701、存储器(memory)702和通信总线703,其中,处理器701,存储器702通过通信总线703完成相互间的通信,通过通信接口704与外部进行通信。处理器701可以调用存储器702中的逻辑指令,以执行机器手抓取姿势质量的物理度量方法,该方法包括:确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;确定所述候选抓取姿势夹持所述物体的重心分数;基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
此外,上述的存储器702中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:存储芯片、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在处理器可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的机器手抓取姿势质量的物理度量方法。该方法包括:确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;确定所述候选抓取姿势夹持所述物体的重心分数;基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
又一方面,本发明实施例还提供一种处理器可读存储介质,所述处理器可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的机器手抓取姿势质量的物理度量方法。该方法包括:确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;确定所述候选抓取姿势夹持所述物体的重心分数;基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种机器手抓取姿势质量的物理度量方法,其特征在于,包括:
确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;
确定所述候选抓取姿势夹持所述物体的重心分数;
基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
2.根据权利要求1所述的机器手抓取姿势质量的物理度量方法,其特征在于,所述确定机器手的候选抓取姿势与物体之间接触点的平坦度分数,具体包括:
计算所述物体上每个点的外法向向量;
将所述物体上每个点的外法向向量与其邻域内点的外法向向量进行相似性度量,确定每个点的法向一致性分数;基于所述法向一致性分数的值确定所述物体上的平坦点;
确定所述候选抓取姿势与所述物体之间的接触点,从所述法向一致性分数中查询得到所述接触点对应的目标法向一致性分数;
基于所述候选抓取姿势夹持所述物体的闭合方向和所述物体上平坦点的法向方向,确定所述候选抓取姿势的闭合方向一致性分数;
基于所述目标法向一致性分数和所述闭合方向一致性分数,确定所述候选抓取姿势与所述物体之间接触点的平坦度分数。
3.根据权利要求1所述的机器手抓取姿势质量的物理度量方法,其特征在于,确定所述候选抓取姿势夹持所述物体的重心分数,具体包括:
确定所述候选抓取姿势与所述物体之间的接触点;
确定所述物体的重心位置;
度量所述接触点对应的对拓直线与所述物体的重心位置之间的距离数据,基于所述距离数据确定所述候选抓取姿势夹持所述物体的重心分数。
4.根据权利要求1所述的机器手抓取姿势质量的物理度量方法,其特征在于,所述平坦度分数的大小用于表示所述候选抓取姿势与所述物体之间接触点的平坦程度的高低以及所述候选抓取姿势夹持所述物体的闭合方向与所述接触点的法向方向一致性程度。
5.根据权利要求1所述的机器手抓取姿势质量的物理度量方法,其特征在于,基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量,具体包括:
基于所述平坦度分数和所述重心分数,生成所述候选抓取姿势对应的二值化置信度分数;
基于所述二值化置信度分数确定所述候选抓取姿势的抓取质量。
6.一种机器手抓取姿势质量的物理度量装置,其特征在于,包括:
平坦度分数确定单元,用于确定机器手的候选抓取姿势与物体之间接触点的平坦度分数;
重心分数确定单元,用于确定所述候选抓取姿势夹持所述物体的重心分数;
候选抓取姿势评估单元,用于基于所述平坦度分数和所述重心分数评估候选抓取姿势的质量。
7.根据权利要求6所述的机器手抓取姿势质量的物理度量装置,其特征在于,所述平坦度分数确定单元,具体用于:
计算所述物体上每个点的外法向向量;
将所述物体上每个点的外法向向量与其邻域内点的外法向向量进行相似性度量,确定每个点的法向一致性分数;基于所述法向一致性分数的值确定所述物体上的平坦点;
确定所述候选抓取姿势与所述物体之间的接触点,从所述法向一致性分数中查询得到所述接触点对应的目标法向一致性分数;
基于所述候选抓取姿势夹持所述物体的闭合方向和所述物体上平坦点的法向方向,确定所述候选抓取姿势的闭合方向一致性分数;
基于所述目标法向一致性分数和所述闭合方向一致性分数,确定所述候选抓取姿势与所述物体之间接触点的平坦度分数。
8.根据权利要求6所述的机器手抓取姿势质量的物理度量装置,其特征在于,所述重心分数确定单元,具体用于:
确定所述候选抓取姿势与所述物体之间的接触点;
确定所述物体的重心位置;
度量所述接触点对应的对拓直线与所述物体的重心位置之间的距离数据,基于所述距离数据确定所述候选抓取姿势夹持所述物体的重心分数。
9.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述机器手抓取姿势质量的物理度量方法的步骤。
10.一种处理器可读存储介质,所述处理器可读存储介质上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任意一项所述机器手抓取姿势质量的物理度量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371166.0A CN114083535B (zh) | 2021-11-18 | 2021-11-18 | 一种机器手抓取姿势质量的物理度量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371166.0A CN114083535B (zh) | 2021-11-18 | 2021-11-18 | 一种机器手抓取姿势质量的物理度量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114083535A true CN114083535A (zh) | 2022-02-25 |
CN114083535B CN114083535B (zh) | 2023-06-13 |
Family
ID=80302045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371166.0A Active CN114083535B (zh) | 2021-11-18 | 2021-11-18 | 一种机器手抓取姿势质量的物理度量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114083535B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114700949A (zh) * | 2022-04-25 | 2022-07-05 | 浙江工业大学 | 基于体素抓取网络的机械臂灵巧抓取规划方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060012198A1 (en) * | 2004-04-12 | 2006-01-19 | Strider Labs, Inc. | System and method for computing grasps for a robotic hand with a palm |
JP2009056593A (ja) * | 2008-12-12 | 2009-03-19 | Toyota Motor Corp | 把持制御装置 |
JP2012101306A (ja) * | 2010-11-09 | 2012-05-31 | Mitsubishi Electric Corp | ロボットの校正装置および校正方法 |
CN102730415A (zh) * | 2011-04-13 | 2012-10-17 | 克朗斯股份公司 | 容器处理机和处理容器的方法 |
CN105598965A (zh) * | 2015-11-26 | 2016-05-25 | 哈尔滨工业大学 | 基于立体视觉的机器人欠驱动手自主抓取方法 |
CN107160387A (zh) * | 2016-12-13 | 2017-09-15 | 陈胜辉 | 一种物料抓取方法与系统 |
CN107609222A (zh) * | 2017-08-16 | 2018-01-19 | 北京控制工程研究所 | 一种空间机器人末端接触碰撞力计算方法 |
CN108202328A (zh) * | 2017-12-29 | 2018-06-26 | 深圳市越疆科技有限公司 | 机器人自适应取放物体的方法、装置、机械臂及存储介质 |
CN108638054A (zh) * | 2018-04-08 | 2018-10-12 | 河南科技学院 | 一种智能排爆机器人五指灵巧手控制方法 |
CN109598264A (zh) * | 2017-09-30 | 2019-04-09 | 北京猎户星空科技有限公司 | 物体抓取方法及装置 |
CN111344118A (zh) * | 2017-11-17 | 2020-06-26 | 奥卡多创新有限公司 | 用于定位物品和为每个物品计算适当抓取点的机器人系统的控制设备和方法 |
CN112489117A (zh) * | 2020-12-07 | 2021-03-12 | 东南大学 | 一种单视角点云下基于域迁移的机器人抓取位姿检测方法 |
-
2021
- 2021-11-18 CN CN202111371166.0A patent/CN114083535B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060012198A1 (en) * | 2004-04-12 | 2006-01-19 | Strider Labs, Inc. | System and method for computing grasps for a robotic hand with a palm |
JP2009056593A (ja) * | 2008-12-12 | 2009-03-19 | Toyota Motor Corp | 把持制御装置 |
JP2012101306A (ja) * | 2010-11-09 | 2012-05-31 | Mitsubishi Electric Corp | ロボットの校正装置および校正方法 |
CN102730415A (zh) * | 2011-04-13 | 2012-10-17 | 克朗斯股份公司 | 容器处理机和处理容器的方法 |
CN105598965A (zh) * | 2015-11-26 | 2016-05-25 | 哈尔滨工业大学 | 基于立体视觉的机器人欠驱动手自主抓取方法 |
CN107160387A (zh) * | 2016-12-13 | 2017-09-15 | 陈胜辉 | 一种物料抓取方法与系统 |
CN107609222A (zh) * | 2017-08-16 | 2018-01-19 | 北京控制工程研究所 | 一种空间机器人末端接触碰撞力计算方法 |
CN109598264A (zh) * | 2017-09-30 | 2019-04-09 | 北京猎户星空科技有限公司 | 物体抓取方法及装置 |
CN111344118A (zh) * | 2017-11-17 | 2020-06-26 | 奥卡多创新有限公司 | 用于定位物品和为每个物品计算适当抓取点的机器人系统的控制设备和方法 |
CN108202328A (zh) * | 2017-12-29 | 2018-06-26 | 深圳市越疆科技有限公司 | 机器人自适应取放物体的方法、装置、机械臂及存储介质 |
CN108638054A (zh) * | 2018-04-08 | 2018-10-12 | 河南科技学院 | 一种智能排爆机器人五指灵巧手控制方法 |
CN112489117A (zh) * | 2020-12-07 | 2021-03-12 | 东南大学 | 一种单视角点云下基于域迁移的机器人抓取位姿检测方法 |
Non-Patent Citations (1)
Title |
---|
邹遇等: "基于3维点云深度信息和质心矩相结合的机器人抓取控制方法", 《高技术通讯》, pages 508 - 517 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114700949A (zh) * | 2022-04-25 | 2022-07-05 | 浙江工业大学 | 基于体素抓取网络的机械臂灵巧抓取规划方法 |
CN114700949B (zh) * | 2022-04-25 | 2024-04-09 | 浙江工业大学 | 基于体素抓取网络的机械臂灵巧抓取规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114083535B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Pointnetgpd: Detecting grasp configurations from point sets | |
Mahler et al. | Dex-net 1.0: A cloud-based network of 3d objects for robust grasp planning using a multi-armed bandit model with correlated rewards | |
Lundell et al. | Robust grasp planning over uncertain shape completions | |
Chebotar et al. | Self-supervised regrasping using spatio-temporal tactile features and reinforcement learning | |
Mahler et al. | Gp-gpis-opt: Grasp planning with shape uncertainty using gaussian process implicit surfaces and sequential convex programming | |
Hyttinen et al. | Learning the tactile signatures of prototypical object parts for robust part-based grasping of novel objects | |
Yu et al. | Robotic grasping of unknown objects using novel multilevel convolutional neural networks: From parallel gripper to dexterous hand | |
De Farias et al. | Simultaneous tactile exploration and grasp refinement for unknown objects | |
Qian et al. | Grasp pose detection with affordance-based task constraint learning in single-view point clouds | |
Ottenhaus et al. | Visuo-haptic grasping of unknown objects based on gaussian process implicit surfaces and deep learning | |
Von Drigalski et al. | Contact-based in-hand pose estimation using bayesian state estimation and particle filtering | |
Goins et al. | Evaluating the efficacy of grasp metrics for utilization in a gaussian process-based grasp predictor | |
CN114083535B (zh) | 一种机器手抓取姿势质量的物理度量方法及装置 | |
Matak et al. | Planning visual-tactile precision grasps via complementary use of vision and touch | |
Yang et al. | Predict robot grasp outcomes based on multi-modal information | |
Hyttinen et al. | Estimating tactile data for adaptive grasping of novel objects | |
Jin et al. | Object shape recognition approach for sparse point clouds from tactile exploration | |
Bandera et al. | Fast gesture recognition based on a two-level representation | |
Wei et al. | Generalized anthropomorphic functional grasping with minimal demonstrations | |
Detry et al. | Unsupervised learning of predictive parts for cross-object grasp transfer | |
De Magistris et al. | Experimental force-torque dataset for robot learning of multi-shape insertion | |
WO2018161305A1 (zh) | 抓取质量检测方法及其应用的方法与系统 | |
Cao et al. | Grasp pose detection based on shape simplification | |
Adjigble et al. | Spectgrasp: Robotic grasping by spectral correlation | |
Ruan et al. | Grasp quality evaluation network for surface-to-surface contacts in point clouds |
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 |