CN114519813A - 一种机械臂目标抓取方法及系统 - Google Patents
一种机械臂目标抓取方法及系统 Download PDFInfo
- Publication number
- CN114519813A CN114519813A CN202210163948.3A CN202210163948A CN114519813A CN 114519813 A CN114519813 A CN 114519813A CN 202210163948 A CN202210163948 A CN 202210163948A CN 114519813 A CN114519813 A CN 114519813A
- Authority
- CN
- China
- Prior art keywords
- target
- identification data
- data set
- clamping
- target identification
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种机械臂目标抓取方法及系统,包括获取夹取目标识别数据集;对夹取目标识别数据集进行图像预处理;基于预处理后的夹取目标识别数据集训练目标检测模型;基于训练好的目标检测模型对待夹取目标进行预测识别;基于预测识别结果,根据逆向运动学求解机械臂运动姿态;其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框。本发明实现了机械臂自主目标抓取,目标识别效果好、准确率高。
Description
技术领域
本公开属于机械臂和计算机视觉技术领域,具体涉及一种机械臂目标抓取方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
机械臂是工业智能制造的重要组成成分,它可以代替人类完成大量简单和重复性的工作,尤其在某些危险的场所更是发挥着即为重要的作用。
传统的机械臂抓取采用人工示教的方式,即通过工作人员现场确定示教点然后编写程序让机械臂按照固定的轨迹运作,该方法需要人力成本且效率低,当目标位置发生改变或者是有新的抓取目标时,都需要重新进行校准工作。近年来,随着深度学习的快速发展,计算机视觉逐渐被应用到机械臂的抓取任务中,并且已经有了许多研究成果,例如基于深度卷积神经网络对工业机械臂视觉控制,目标物体视觉信息采集与预处理;训练与调整深度卷积神经网络模型;验证模型与保存模型。然而卷积神经网络对于物体的旋转和种类变化效果有限,导致检测灵敏度不高,精度下降,无法满足工业高要求下的机械臂控制要求。
发明内容
为了解决上述问题,本公开提出了一种机械臂目标抓取方法及系统,本公开结合了Transformer模型,实现了机械臂自主目标抓取方法,该模型结构简单,目标识别效果好、准确率高。
根据一些实施例,本公开的第一方案提供了一种机械臂目标抓取方法,采用如下技术方案:
一种机械臂目标抓取方法,包括:
获取夹取目标识别数据集;
对夹取目标识别数据集进行图像预处理;
基于预处理后的夹取目标识别数据集训练目标检测模型;
基于训练好的目标检测模型对待夹取目标进行预测识别;
基于预测识别结果,根据逆向运动学求解机械臂运动姿态;
其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框。
根据一些实施例,本公开的第二方案提供了一种机械臂目标抓取系统,采用如下技术方案:
一种机械臂目标抓取系统,包括:
数据获取模块,用于获取夹取目标识别数据集;
数据预处理模块,用于对夹取目标识别数据集进行图像预处理;
目标模型训练模块,用于基于预处理后的夹取目标识别数据集训练目标检测模型;其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框;
目标预测识别模块,用于基于训练好的目标检测模型对待夹取目标进行预测识别;
机械臂运动姿态确定模块,用于基于预测识别结果,根据逆向运动学求解机械臂运动姿态。
根据一些实施例,本公开的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的一种机械臂目标抓取方法中的步骤。
根据一些实施例,本公开的第四方案提供了一种计算机设备。
一种计算机设备,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,所述处理器执行所述程序时实现如上述第一个方面所述的一种机械臂目标抓取方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开从目标图像数据出发,对夹取目标识别数据集进行图像预处理;基于预处理后的夹取目标识别数据集训练目标检测模型;基于训练好的目标检测模型对待夹取目标进行预测识别;结合Transformer模型,进行模型训练后得到目标检测位置信息实现了机械臂自主目标抓取方法。
与传统繁琐的人工示教相比,本公开可以通过检测模型自动获取夹取目标位置信息,并且会根据位置信息自动夹取物体,简化操作。
本公开目标检测采用了视觉Transformer模型架构,与结构复杂的卷积神经网络检测模型相比,该架构更加简单,编码器解码器中采用多头注意力机制,一个Transformer层能反映输入图像所有像素之间的关系,对全局信息有着更好的关注,可以提高识别准确度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一所述的机械臂目标抓取方法的流程图;
图2是本公开实施例一所述的Transformer模型的内部结构图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
如图1-图2所示,本实施例提供了一种机械臂目标抓取方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。本实施例中,该方法包括以下步骤:
获取夹取目标识别数据集;
对夹取目标识别数据集进行图像预处理;
基于预处理后的夹取目标识别数据集训练目标检测模型;
基于训练好的目标检测模型(视觉Transformer模型)对待夹取目标进行预测识别;
基于预测识别结果,根据逆向运动学求解机械臂运动姿态;
其中,所述获取夹取目标识别数据集是指采集现场夹取目标的图像数据,然后通过人工标注得到图像的目标位置框,形成数据集。
其中,所述对夹取目标识别数据集进行图像预处理是对目标识别数据集进行清洗,消除图像中无关或多余的信息,得到完整统一的图像数据集。其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框,最后结合损失函数验证模型效果。
其中,基于训练好的目标检测模型对待夹取目标进行预测识别是将新采集的图像数据输入到检测模型中,得到待夹取目标的位置检测框数据。
其中,基于预测识别结果,根据逆向运动学求解机械臂运动姿态是根据模型预测的目标位置检测框信息,求解机械臂到达目标位置所需的运动姿态,完成夹取功能。
具体地,如图1所示,技术实施包括以下步骤:
步骤一:获取夹取目标识别数据集:图像由深度相机采集,图像大小为640*640*3,由于可以从深度图像中获取距离信息d,所以标注的信息只需要目标中心坐标(x,y)、长度h、宽度w和偏移角度θ。
获取夹取目标识别数据集具体为:
首先把深度视觉相机安装于工作台固定机位,用于采集机械臂工作区域的图像以及深度信息d。
获取的固定大小的图像,然后在图像数据上进行机械臂理想夹取姿态的人工标定,该标注具体为方框标注,包括抓取中心坐标(x,y)、方框长度h和宽度w、方框偏移角度θ。
步骤二:图像预处理方法:包括灰度化、几何变换、图像增强。其中灰度化可采用分量法、最大值法、平均值法、加权平均法中任意一种,把640*640*3的图像进行压缩成640*640后,能有效减少需要处理的数据量,提高系统运行速度。几何变换通过可以修正图像采集的系统误差和设备位置的随机误差,包括平移、转置、镜像、旋转、缩放等操作,然后采用双线性插值法进行图像的映射。图像增强采用均值滤波法平滑消除图像噪声。
步骤三:进行视觉Transformer模型训练,生成训练好的目标检测模型;Transformer模型具体包括:卷积神经网络层、位置编码模块、编码器、解码器和全连接层+Softmax;
传统的Transformer模型主要用于自然语言处理,针对的训练数据是一连串的一维序列,而在计算机视觉领域中,所要处理的数据为二维(灰度图)或者三维(RGB图)图像。为了让模型适用于本机械臂目标抓取系统,需要对多维图像数据进行变换,因此本实施例对传统Transformer模型增加一个卷积神经网络层,首先把图像数据输入卷积神经网络层进行特征映射,将640*640图像按照40*40大小分为16等份,将每一等份分别输入卷积神经网络提取出16份单行矩阵。卷积神经网络层首先对图像进行特征映射,将图像数据分块输入卷积神经网络映射成单行向量。
位置编码模块:对输入数据进行编号,每个编号对应一个向量,引入了一定的位置信息,能够学习图像的顺序信息,将该层的每部分输出加入位置信息,即加入位置编码后作为编码器的输入,编码公式如下。
其中PE2i(p)、PE2i+1(p)分别为位置p的编码向量的第2i,2i+1个分量,dpos表示位置编码总的维度。
编码器包括一个多头自注意力模块、两个求和与归一化模块和一个前馈神经网络模块。输入数据经过位置编码后,输入到多头自注意力模块,将多头自注意力模块的输入和输出相加并归一化,然后输入到前馈神经网络模块,再次将前馈神经网络模块的输入和输出相加并归一化作为编码器的最终输出。
自注意力定义如下式:
其中,Q、K、V为上一层的输出分别与WQ,WK,WV三个参数矩阵相乘得到的向量,Q、K、V三个向量的维度相同,dk为K向量维度。多头自注意力即把多个自注意力连起来,定义如下式:
headi=Attention(QWii Q,KWi k,VWi C) (4);
MultiHead(Q,K,V)=Concat(head1,…,headh)WO (5);
其中,headi即多头自注意力中的第i个,每个head都有其对应的参数矩阵Wi Q,Wi K,Wi V,然后将每个head的输出结果Concat连接到一起,最后经过一层WO的映射层,得到输出结果。
解码器包括顺序连接的两个多头自注意力模块、三个求和与归一化模块和一个前馈神经网络模块,解码器用于将编码器的输出经过多头自注意力模块解码后得到解码后特征向量。通过解码器推断出一个固定大小的预测集.根据人工标志的真实数据对预测对象进行评分。
全连接层+Softmax:
将解码后的特征向量连接到一个全连接层,采用Softmax作为激活函数,进行分类计算和概率映射后得到检测框数据(x,y,h,w,θ)。使用交叉熵作为模型的损失函数:
式中,i表示特征向量的维度,ti表示真实值,yi表示模型求出的Softmax值。
步骤四:获取新的图像数据,输入目标检测模型获得预测结果;将新采集的图像数据输入到训练好模型,得到目标检测框数据:中心坐标(x,y)、方框长度h和宽度w、方框偏移角度θ。
步骤五:根据逆向运动学求解机械臂运动姿态,基于求解的机械臂运动姿态进行目标抓取。
5.1)计算目标位置在机械臂坐标系下的表达。通过模型求解得到的物体位置(x,y,d)是在相机坐标系下的,不能直接用于机械臂运动姿态的逆向求解,因此需要把(x,y,d)转换为机械臂坐标系下的空间位置(x1,y1,z1),转换具体表达式如下:
其中,α为相机坐标系相对机械臂坐标系的z轴的旋转角,(A,B,C)是相机在机械臂坐标系下的空间位置。
5.2)然后根据预测结果方框长度h和宽度w进行能否夹取判断,若目标大小不在机械臂夹具的可夹取范围之内,或者是夹取物体目标中心坐标(x1,y1,z1)在机械臂最大工作空间外,则不进行机械臂逆解运算,返回一个不可夹取信号。
5.3)若目标可夹取,则进行机械臂逆运动学解算,求解方法一般可分为:解析法、几何法、迭代法、智能优化算法,实际运用时可根据情况选择其中一种方法。若可求得多个机械臂逆解,则选择“最近”的一个解,即机械臂运动到目标位置所有关节转动之和最小的解。最后通过求解的信息给机械臂控制器下达运动指令,使机械臂运动到夹取目标物体所需的姿态,完成夹取功能。
实施例二
本实施例提供了一种机械臂目标抓取系统,包括:
数据获取模块,用于获取夹取目标识别数据集;
数据预处理模块,用于对夹取目标识别数据集进行图像预处理;
目标模型训练模块,用于基于预处理后的夹取目标识别数据集训练目标检测模型;其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框;
目标预测识别模块,用于基于训练好的目标检测模型对待夹取目标进行预测识别;
机械臂运动姿态确定模块,用于基于预测识别结果,根据逆向运动学求解机械臂运动姿态。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种机械臂目标抓取方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现如上述实施例一所述的一种机械臂目标抓取方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种机械臂目标抓取方法,其特征在于,包括:
获取夹取目标识别数据集;
对夹取目标识别数据集进行图像预处理;
基于预处理后的夹取目标识别数据集训练目标检测模型;
基于训练好的目标检测模型对待夹取目标进行预测识别;
基于预测识别结果,根据逆向运动学求解机械臂运动姿态,基于求解的机械臂运动姿态进行目标抓取;
其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算通过编码器和解码器得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框。
2.如权利要求1所述的一种机械臂目标抓取方法,其特征在于,所述获取夹取目标识别数据集,包括:
通过深度视觉相机采集机械臂工作区域的图像以及深度信息;
基于机械臂工作区域的图像,进行机械臂理想夹取姿态标定;
基于标定的数据构成夹取目标识别数据集。
3.如权利要求1所述的一种机械臂目标抓取方法,其特征在于,所述对夹取目标识别数据集进行图像预处理,包括:
对目标识别数据集的图像进行灰度化处理;
对灰度化处理后的图像进行几何变换;
对几何变换的图像进行图像增强,得到预处理后的夹取目标识别数据集。
4.如权利要求1所述的一种机械臂目标抓取方法,其特征在于,基于预处理后的夹取目标识别数据集训练目标检测模型,包括:
基于预处理后的夹取目标识别数据集中的图像进行特征映射,得到单行向量;
基于单行向量进行编号,每个编号对应一个向量,引入位置信息构造位置向量;
将位置向量输入到编码器进行编码,然后将编码后的数据输入到解码器中得到解码后的特征向量;
将解码后的特征向量连接到一个全连接层进行分类计算和概率映射,得到检测框数据。
5.如权利要求4所述的一种机械臂目标抓取方法,其特征在于,所述编码器包括一个多头自注意力模块、两个求和与归一化模块和一个前馈神经网络模块;
输入数据经过位置编码后,输入到多头自注意力模块;
将多头自注意力模块的输入和输出相加并归一化;
然后输入到前馈神经网络模块;
将前馈神经网络模块的输入和输出相加并归一化作为编码器的最终输出。
6.如权利要求4所述的一种机械臂目标抓取方法,其特征在于,所述解码器包括顺序连接的两个多头自注意力模块、三个求和与归一化模块和一个前馈神经网络模块;
将编码器的输出经过多头自注意力模块解码后得到解码后特征向量;
通过解码器推断出一个固定大小的预测集;
根据人工标志的真实数据对预测对象进行评分。
7.如权利要求1所述的一种机械臂目标抓取方法,其特征在于,所述基于训练好的目标检测模型对待夹取目标进行预测识别,包括:
获取新的图像数据,输入目标检测模型获得目标检测框数据;
所述目标检测框数据包括中心坐标、方框长度和宽度以及方框偏移角度。
8.一种机械臂目标抓取系统,其特征在于,包括:
数据获取模块,用于获取夹取目标识别数据集;
数据预处理模块,用于对夹取目标识别数据集进行图像预处理;
目标模型训练模块,用于基于预处理后的夹取目标识别数据集训练目标检测模型;其中,所述基于预处理后的夹取目标识别数据集训练目标检测模型是根据预处理后的夹取目标识别数据集进行位置编码,然后基于位置编码后的夹取目标识别数据集基于自注意力原理进行编码器解码器的解算得到夹取目标识别数据预测集;根据夹取目标识别预测集得到最终的目标检测框;
目标预测识别模块,用于基于训练好的目标检测模型对待夹取目标进行预测识别;
机械臂运动姿态确定模块,用于基于预测识别结果,根据逆向运动学求解机械臂运动姿态。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种机械臂目标抓取方法中的步骤。
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种机械臂目标抓取方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163948.3A CN114519813A (zh) | 2022-02-22 | 2022-02-22 | 一种机械臂目标抓取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163948.3A CN114519813A (zh) | 2022-02-22 | 2022-02-22 | 一种机械臂目标抓取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519813A true CN114519813A (zh) | 2022-05-20 |
Family
ID=81599333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210163948.3A Pending CN114519813A (zh) | 2022-02-22 | 2022-02-22 | 一种机械臂目标抓取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519813A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128246A (zh) * | 2022-06-29 | 2022-09-30 | 核工业北京地质研究院 | 一种智能化高效活性炭测氡系统及方法 |
CN117032262A (zh) * | 2023-09-12 | 2023-11-10 | 南栖仙策(南京)科技有限公司 | 机器控制方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-22 CN CN202210163948.3A patent/CN114519813A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128246A (zh) * | 2022-06-29 | 2022-09-30 | 核工业北京地质研究院 | 一种智能化高效活性炭测氡系统及方法 |
CN117032262A (zh) * | 2023-09-12 | 2023-11-10 | 南栖仙策(南京)科技有限公司 | 机器控制方法、装置、电子设备及存储介质 |
CN117032262B (zh) * | 2023-09-12 | 2024-03-19 | 南栖仙策(南京)科技有限公司 | 机器控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111251295B (zh) | 一种应用于参数化零件的视觉机械臂抓取方法及装置 | |
CN114519813A (zh) | 一种机械臂目标抓取方法及系统 | |
CN113409384B (zh) | 一种目标物体的位姿估计方法和系统、机器人 | |
CN110929736B (zh) | 多特征级联rgb-d显著性目标检测方法 | |
CN112907735B (zh) | 一种基于点云的柔性电缆识别与三维重建方法 | |
Follmann et al. | A rotationally-invariant convolution module by feature map back-rotation | |
CN111667535B (zh) | 一种针对遮挡场景下的六自由度位姿估计方法 | |
RU2665273C2 (ru) | Обучаемые визуальные маркеры и способ их продуцирования | |
CN111340785B (zh) | 模型训练方法、产品表面缺陷检测方法和存储介质 | |
CN113838211B (zh) | 一种3d点云分类攻击防御方法、装置、设备及存储介质 | |
Mittrapiyanumic et al. | Calculating the 3d-pose of rigid-objects using active appearance models | |
CN113269723A (zh) | 三维视觉定位与机械手协同工作的零部件无序抓取系统 | |
CN113516693A (zh) | 一种快速通用的图像配准方法 | |
Ukwuoma et al. | Image inpainting and classification agent training based on reinforcement learning and generative models with attention mechanism | |
CN114926633A (zh) | 一种基于深度学习的高精度猪只体重估算方法 | |
CN114511924A (zh) | 基于自适应增广与表示学习的半监督骨骼动作识别方法 | |
CN116912296A (zh) | 一种基于位置增强注意力机制的点云配准方法 | |
CN114782592A (zh) | 基于图像的卡通动画生成方法、装置、设备及存储介质 | |
CN114187569A (zh) | 一种皮尔森系数矩阵与注意力融合的实时目标检测方法 | |
Semwal et al. | Determining homogenous transformation matrix from DH parameter table using deep learning techniques | |
CN112906432A (zh) | 一种应用于人脸关键点定位任务的检错纠错方法 | |
Thalhammer et al. | Towards object detection and pose estimation in clutter using only synthetic depth data for training | |
CN111881743B (zh) | 一种基于语义分割的人脸特征点定位方法 | |
Li et al. | Pose estimation of metal workpieces based on RPM-Net for robot grasping from point cloud | |
CN113034695B (zh) | 一种基于Wasserstein距离的物体包络体多视图重建与优化方法 |
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 |