CN116330306A - 一种物体的抓取方法、装置、存储介质及电子设备 - Google Patents
一种物体的抓取方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116330306A CN116330306A CN202310631265.0A CN202310631265A CN116330306A CN 116330306 A CN116330306 A CN 116330306A CN 202310631265 A CN202310631265 A CN 202310631265A CN 116330306 A CN116330306 A CN 116330306A
- Authority
- CN
- China
- Prior art keywords
- model
- target object
- point cloud
- target
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000036544 posture Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Abstract
本说明书公开了一种物体的抓取方法、装置、存储介质及电子设备，预先建立通用模型库，获取目标物体的深度图像及普通图像，以确定该目标物体的特征，根据该目标物体的特征，在预先建立的通用模型库中确定出与该目标物体匹配的通用模型，作为目标通用模型，根据该目标物体的特征及该目标通用模型，建立该目标物体的三维点云模型，以确定该目标物体的姿态，再根据该姿态及该三维点云模型，确定该目标物体的抓取点，根据该抓取点控制抓取设备抓取该目标物体。本方法通过目标物体的不同类型的图像，确定目标物体的特征，根据该特征及目标通用模型确定目标物体的姿态，以确定抓取点，根据该抓取点抓取目标物体，提高了抓取未知物体的准确性和稳定性。
Description
技术领域
本说明书涉及计算机领域，尤其涉及一种物体的抓取方法、装置、存储介质及电子设备。
背景技术
随着智能机器人的发展，智能机器人应用于各个领域，例如，利用智能机器人派送快递、分拣快递等等，这些过程一般需要抓取物体。针对智能机器人抓取物体，现存的抓取物体的过程为：已知当前被抓取物体的环境，先估计物体的姿态，再进行抓取。对于环境未知及物体姿态未知的情况下，抓取物体的难度较大。并且一般是通过深度神经网络端到端的方式估计物体姿态，而该方式易受光照等因素影响，导致在实际应用中抓取物体的准确性较低、稳定性较差。
基于此，本说明书提供一种物体的抓取方法，提高抓取未知物体的准确性和稳定性。
发明内容
本说明书提供一种物体的抓取方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种物体的抓取方法，预先建立通用模型库，所述通用模型库包括各类物体分别对应的通用模型；包括：
获取目标物体的深度图像及普通图像，以根据所述深度图像及所述普通图像，确定所述目标物体的特征；
根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型；
根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型；
根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态；
根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点；
根据所述抓取点控制抓取设备抓取所述目标物体。
可选地，预先建立通用模型库，具体包括：
确定样本物体的点云模型，作为样本点云模型；
将同类型的样本物体的样本点云模型以同样的位姿投影至同一标准空间；
将所述标准空间中的点进行对应点匹配，确定点对应关系；
根据所述点对应关系，对所述标准空间的所有点云中的点进行聚类，得到若干点簇；
根据所述若干点簇，预先建立通用模型库。
可选地，根据所述点簇，预先建立通用模型库，具体包括：
针对每个点簇，根据该点簇，确定该点簇的代表点；
根据各点簇的代表点，确定各代表点构成的通用模型；
根据所述通用模型，确定通用模型库。
可选地，根据所述深度图像及所述普通图像，确定所述目标物体的特征，具体包括：
在所述普通图像中，确定所述目标物体所在的目标区域；
确定所述普通图像的像素点与所述深度图像的像素点的对应关系，作为像素点对应关系；并确定所述深度图像的点云；
根据所述像素点对应关系、所述深度图像的点云及所述目标区域，在所述深度图像中，确定与所述目标区域对应的点云，作为目标点云；
将所述普通图像输入预先训练的第一特征提取模型，以根据所述第一特征提取模型输出的特征，确定所述普通图像的特征；
将所述目标点云输入预先训练的第二特征提取模型，以根据所述第二特征提取模型输出的特征，确定所述深度图像的特征；
根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征。
可选地，根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征，具体包括：
将所述普通图像的特征及所述深度图像的特征进行特征融合，得到所述目标物体的特征。
可选地，根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型，具体包括：
将所述目标通用模型输入预先训练的第三特征提取模型，确定所述目标通用模型的特征；
将所述目标物体的特征及所述目标通用模型的特征进行特征融合，得到所述目标物体的综合特征；
根据所述综合特征，建立所述目标物体的三维点云模型。
可选地，根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态，具体包括：
将所述目标点云输入第一多层感知机，以根据所述第一多层感知机的输出结果，确定所述目标点云的特征；
将所述三维点云模型输入第二多层感知机，以根据所述第二多层感知机的输出结果，确定所述三维点云模型的点云特征；
根据所述目标点云的特征及所述三维点云模型的点云特征，确定所述目标物体的姿态。
可选地，根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点，具体包括：
根据所述三维点云模型及预先生成的抓取所述目标通用模型的多个抓取点，确定所述三维点云模型的多个抓取点；
根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
可选地，根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点，具体包括：
确定抓取设备的位置；
根据所述抓取设备的位置及所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
可选地，根据所述抓取点控制抓取设备抓取所述目标物体，具体包括：
根据所述抓取设备的位置及所述目标物体的抓取点，确定抓取路径；
根据所述抓取路径控制所述抓取设备抓取所述目标物体。
本说明书提供了一种物体的抓取装置，包括：
图像获取模块，用于获取目标物体的深度图像及普通图像，以根据所述深度图像及所述普通图像，确定所述目标物体的特征；
目标通用模型确定模块，用于根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型；
三维点云模型确定模块，用于根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型；
姿态确定模块，用于根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态；
抓取点确定模块，用于根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点；
抓取模块，用于根据所述抓取点控制抓取设备抓取所述目标物体。
可选地，所述装置还包括：
通用模型库建立模块，用于确定样本物体的点云模型，作为样本点云模型；将同类型的样本物体的样本点云模型以同样的位姿投影至同一标准空间；将所述标准空间中的点进行对应点匹配，确定点对应关系；根据所述点对应关系，对所述标准空间的所有点云中的点进行聚类，得到若干点簇；根据所述若干点簇，预先建立通用模型库。
可选地，所述通用模型库建立模块具体用于，针对每个点簇，根据该点簇，确定该点簇的代表点；根据各点簇的代表点，确定各代表点构成的通用模型；根据所述通用模型，确定通用模型库。
可选地，所述图像获取模块具体用于，在所述普通图像中，确定所述目标物体所在的目标区域；确定所述普通图像的像素点与所述深度图像的像素点的对应关系，作为像素点对应关系；并确定所述深度图像的点云；根据所述像素点对应关系、所述深度图像的点云及所述目标区域，在所述深度图像中，确定与所述目标区域对应的点云，作为目标点云；将所述普通图像输入预先训练的第一特征提取模型，以根据所述第一特征提取模型输出的特征，确定所述普通图像的特征；将所述目标点云输入预先训练的第二特征提取模型，以根据所述第二特征提取模型输出的特征，确定所述深度图像的特征；根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征。
可选地，所述图像获取模块具体用于，将所述普通图像的特征及所述深度图像的特征进行特征融合，得到所述目标物体的特征。
可选地，所述三维点云模型确定模块具体用于，将所述目标通用模型输入预先训练的第三特征提取模型，确定所述目标通用模型的特征；将所述目标物体的特征及所述目标通用模型的特征进行特征融合，得到所述目标物体的综合特征；根据所述综合特征，建立所述目标物体的三维点云模型。
可选地，所述姿态确定模块具体用于，将所述目标点云输入第一多层感知机，以根据所述第一多层感知机的输出结果，确定所述目标点云的特征；将所述三维点云模型输入第二多层感知机，以根据所述第二多层感知机的输出结果，确定所述三维点云模型的点云特征；根据所述目标点云的特征及所述三维点云模型的点云特征，确定所述目标物体的姿态。
可选地，所述抓取点确定模块具体用于，根据所述三维点云模型及预先生成的抓取所述目标通用模型的多个抓取点，确定所述三维点云模型的多个抓取点；根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
可选地，所述抓取点确定模块具体用于，确定抓取设备的位置；根据所述抓取设备的位置及所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
可选地，所述抓取模块具体用于，根据所述抓取设备的位置及所述目标物体的抓取点，确定抓取路径；根据所述抓取路径控制所述抓取设备抓取所述目标物体。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述物体的抓取方法。
本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述物体的抓取方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的一种物体的抓取方法，预先建立通用模型库，所述通用模型库包括各类物体分别对应的通用模型，获取目标物体的深度图像及普通图像，以根据所述深度图像及所述普通图像，确定所述目标物体的特征，根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型，根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型，根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态，根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点，根据所述抓取点控制抓取设备抓取所述目标物体。
从上述方法中可以看出，本方法通过目标物体的普通图像及深度图像，确定目标物体的特征，根据该特征及与该目标物体匹配的通用模型确定目标物体的姿态及三维点云模型，根据该姿态及三维点云模型，确定抓取目标物体的抓取点，并根据该抓取点抓取目标物体，提高了抓取未知物体的准确性和稳定性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种物体的抓取方法的流程示意图；
图2为本说明书提供的一种建立通用模型的流程示意图；
图3为本说明书提供的一种物体的抓取装置的示意图；
图4为本说明说提供的确定综合特征的流程示意图；
图5为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种物体的抓取方法的流程示意图，包括以下步骤：
S100：预先建立通用模型库。
通常抓取未知物体需要确定该未知物体的姿态，以便抓取设备根据该未知物体的姿态抓取该未知物体，但由于现有的确定物体的姿态的方式在实际应用中的准确性和稳定性较低，因此本说明书提供一种物体的抓取方法。本说明书的执行主体可以是执行抓取任务的智能机器人，也可以是用于控制机械臂抓取物体的服务器或其他电子设备。为了便于说明，下面仅以服务器为执行主体，对本说明书提供的一种物体的抓取方法进行说明。
图2为本说明书提供的一种建立通用模型的流程示意图，如图2所示，在本说明书一个或多个实施例中，确定目标物体的姿态之前，需要先确定的该目标物体的特征，以便后续根据该目标物体的特征，确定目标物体的姿态。为了保证服务器确定出的该目标物体的特征的准确性，服务器可预先建立通用模型库，即在确定执行抓取物体任务并对该物体进行分析之前，离线建立通用模型库，以根据通用模型库中与该目标物体类型相同的通用模型，以及该目标物体，确定该目标物体的特征。
具体的，服务器先确定样本物体的点云模型，作为样本点云模型，即服务器先采集若干样本物体的模型，该模型的类型可以为CAD（Computer Aided Design，CAD）模型或其他类型，本说明书对此不做限制。此外，该样本物体可以是后续抓取的任一类型的目标物体对应的样本物体。接着，对该样本物体的模型进行空间均匀采样，获得预设数量的点，用于表征该样本物体，采集得到的预设数量的点即为该样本物体的点云模型。
确定样本点云模型后，将同类型的样本物体的样本点云模型以同样的位姿投影至同一标准空间，将该标准空间中的点进行对应点匹配，确定点对应关系，根据该点对应关系，对该标准空间的所有点云中的点进行聚类，得到若干点簇。其中，由于各样本点云模型大小不一，直接将同类型的样本物体的点云模型以同样的位姿进行聚类，得到的聚类结果可能不准确。因此，为了得到更准确的聚类结果，在对同类型的样本点云模型聚类时，服务器可先将同类型样本点云模型映射至固定尺寸的同一标准空间中，如1*1*1的无量纲标准空间，再进行后续步骤。也就说是，对同类型的不同样本物体的样本点云模型的大小进行归一化。
进一步的，针对每个点簇，利用均值漂移获取各点簇的代表点，即根据该点簇，确定该点簇的代表点。当然，也可以利用其他方法确定，本说明书对此不做限制。然后，根据各点簇的代表点，确定各代表点构成的通用模型，即确定由多个代表点构成的通用模型。最后，根据该通用模型，确定通用模型库，即确定由多个通用模型构成通用模型库。
S102：获取目标物体的深度图像及普通图像。
在本说明书一个或多个实施例中，通过图像采集设备获取目标物体的深度图像及普通图像，其中，普通图像可以是RGB（Red Green Blue，RGB）图像，深度图像可以是RGB-D图像，本说明书对此不做限制。图像采集设备可以是RGB摄像头、RGB-D（Depth Map）摄像头等，可由一个或多个图像采集设备采集，本说明书对图像采集设备的种类及个数不作限制。
S104：根据所述深度图像及所述普通图像，确定所述目标物体的特征。
具体的，服务器先在该普通图像中，确定该目标物体所在的目标区域，其中，可以通过实例分割的方式，将目标物体作为待分割的实例，对该普通图像进行处理，以确定目标区域，也可以通过其他方式确定目标区域，本说明书对此不做限制。接着，确定该普通图像的像素点与该深度图像的像素点的对应关系，作为像素点对应关系，并确定该深度图像的点云，其中，服务器可结合图像采集设备的内参，确定该深度图像的点云。需要说明的是，本说明书不限制确定该像素点对应关系、该深度图像的点云及该目标区域的先后顺序。
然后，根据该像素点对应关系、该深度图像的点云及该目标区域，在该深度图像中，确定与该目标区域对应的点云，作为目标点云。再将该普通图像的目标区域输入预先训练的第一特征提取模型，以根据该第一特征提取模型输出的特征，确定该普通图像的特征。将该目标点云输入预先训练的第二特征提取模型，以根据该第二特征提取模型输出的特征，确定该深度图像的特征。由于该普通图像的特征尺度与目标点云的特征尺度可能不相同，因此，可对该普通图像的特征尺度及目标点云的特征尺度先进行下采样，再上采样，以确保后续将该普通图像的特征及目标点云的特征进行特征融合时，两者的特征尺度相同。其中，第一特征提取模型可以是金字塔池化模型（Pyramid Scene Parseing Network，PSPNet），第二特征提取模型可以是PointNet++网络，本说明书对此不做限制。
最后，将该普通图像的特征及该深度图像的特征进行特征融合，得到该目标物体的特征，即将该普通图像的特征与该深度图像的特征连接，得到该目标物体的特征。其中，普通图像中包括丰富的语义信息，深度图像包括大量的空间信息，将普通图像的特征与深度图像的特征进行融合，可同时具有较多的语义信息及空间信息，那么，根据融合得到的目标物体的特征确定的物体的姿态更准确，以此提高抓取物体的准确性。
S106：根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型。
具体的，服务器可将该目标物体的特征输入预先训练的类别确定模型，根据该类别确定模型的输出结果，确定该目标物体的类别，并在预先建立的通用模型库中，检索出与该目标物体的类别相同的通用模型，作为与该目标物体匹配的目标通用模型。例如，目标物体为杯子，则在该通用模型库中检索杯子的通用模型。
S108：根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型。
为了进一步提高确定物体姿态的准确性和抓取物体的稳定性，服务器还可将该目标通用模型输入预先训练的第三特征提取模型，确定该目标通用模型的特征，第三特征提取模型可以是PointNet++网络，也可以是其他类型的模型，本说明书对此不做限制。接着，将该目标物体的特征及该目标通用模型的特征进行特征融合，得到该目标物体的综合特征。根据该综合特征，建立该目标物体的三维点云模型。例如，将该综合特征输入预先训练的三维模型重建模型中，根据该三维模型重建模型的输出结果，确定目标物体的三维点云模型。
S110：根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态。
由该目标物体的深度图像获取的目标点云，仅表征了该目标物体的部分形态，可能并不能由该目标点云确定目标物体的唯一姿态。而三维点云模型为目标物体完整的点云模型，因此，服务器可根据目标点云及三维点云模型，确定目标物体的唯一姿态，以便后续抓取该目标物体。
具体的，将该目标点云输入第一多层感知机，以根据该第一多层感知机的输出结果，确定该目标点云的特征。将该三维点云模型输入第二多层感知机，以根据该第二多层感知机的输出结果，确定该三维点云模型的点云特征。根据该目标点云的特征及该三维点云模型的点云特征，确定该目标物体的姿态。即根据该目标点云的特征及该三维点云模型的点云特征，确定目标点云中的点与三维点云模型中的点的对应关系，根据该对应关系及以下公式：
将目标物体的物体坐标系转换为相机坐标系，以确定目标物体的姿态。其中[xi，yi，zi]camera和[xi，yi，zi]object分别表示第i组对应点在相机坐标系和物体坐标系下的x、y、z坐标，R和t为六自由度姿态中的旋转矩阵和平移向量，表示对应点从物体坐标系到相机坐标系的转换关系。此外，该公式为超定方程，没有唯一精确解，可通过奇异值分解的方式求解近似最优解R，t，作为最终估计的目标物体姿态。
S112：根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点。
具体的，根据三维点云模型及预先生成的抓取该目标通用模型的多个抓取点，确定该三维点云模型的多个抓取点，即将预先生成的抓取点迁移至该三维点云模型。为后续便于根据抓取点抓取目标物体，服务器可将各抓取点由物体坐标系转化为相机坐标系，再确定抓取设备的位置，根据该抓取设备的位置及该目标物体的姿态，在该三维点云模型的多个抓取点中，确定该目标物体的抓取点。
例如，抓取水杯时，现有多个抓取点，根据该抓取设备的位置及当前水杯的姿态，从多个抓取点中排除该抓取设备不能抓取到的位置对应的抓取点，如抓取设备不能旋转到某一角度，且该角度对应的目标物体的位置存在某一抓取点，则将该抓取点排除。
S114：根据所述抓取点控制抓取设备抓取所述目标物体。
在本说明书一个或多个实施例中，通过步骤S112排除了部分抓取点，对于剩余抓取点，服务器可根据该抓取设备的位置及该目标物体的抓取点，确定抓取路径。其中，可通过快速扩展随机树的方法，确定多条抓取路径。
最后，根据该抓取路径控制该抓取设备抓取该目标物体。此外，服务器还可根据操作效率等其他条件对多条抓取路径进行筛选，选择最佳抓取点对应的路径，并抓取目标物体。需要说明的是，通常抓取物体需要多个抓取点，因此，本说明书的最佳抓取点可以包括一个或多个抓取点。
基于图1所示的一种物体的抓取方法，本方法通过目标物体的普通图像及深度图像，确定目标物体的特征，根据该特征及与该目标物体匹配的通用模型确定目标物体的姿态及三维点云模型，根据该姿态及三维点云模型，确定抓取目标物体的抓取点，并根据该抓取点抓取目标物体，提高了抓取未知物体的准确性和稳定性。
针对步骤S104，图4为本说明说提供的确定综合特征的流程示意图，如图4所示，确定目标点云时，服务器先结合图像采集设备的内参，确定该深度图像的点云，即通过以下公式确定该深度图像的点云：
其中xi，yi，depthi分别表示深度图像上第i个像素点处对应的图像坐标系下x，y轴坐标以及深度值，scale表示深度图像的尺度系数，将深度值转化为以米为单位，cx，cy为x和y轴方向的光轴偏移量，而fx，fy则分别为x、y两轴方向的焦距，这四个参数均为图像采集设备的内参，可通过本领域公知的张氏标定法标定图像采集设备得到，pxi，pyi，pzi表示深度图像第i个像素点在三维空间的x、y、z坐标，遍历该深度图像上所有点，即可获得该深度图像的点云points。
具体的，给定对齐后的普通图像（H*W*3）和深度图像（H*W*1），其中H和W分别表示图像的高宽，3和1则表示RGB和深度的通道数。然后根据实例分割结果选择目标物体，得到h*w*3的检测框区域作为普通图像的目标区域，以及indexseg的语义分割结果后续用于确定目标点云。
通过公式及深度图像，获取深度图像的点云N*3，其中N表示空间点的数量，3表示空间点的x、y、z坐标。进一步的，根据像素点对应关系将语义分割结果投影到深度图像的点云，得到目标物体点云区域N`*3，其中N`表示物体上点的数量，然后在目标物体点云区域中随机采样预设数量的点作为最终的目标点云。为了便于后续表示，预设数量的点用npts表示。
进一步的，当第一特征提取模型为PSPNet，第二特征提取模型为PointNet++深度神经网络时，将普通图像中的目标区域（h*w*3）输入PSPNet，通过连续四层的特征编码器并最大池化得到1*cr的一维普通图像特征向量，再经特征上采样得到普通图像的目标区域的特征h*w*crgb，其中cr和crgb均为特征向量的通道数。同理，目标点云也将通过PointNet++网络提取特征，最终得到目标区域的点云特征npts*cpcd，cpcd表示点云特征的特征通道数。然后根据像素点对应关系将普通图像的目标区域的特征投影到目标点云的特征空间，得到对齐后的普通图像的特征npts*crgb，进而将普通图像的特征npts*crgb与目标点云的特征相连接，得到最终的目标物体的图像npts*（crgb+cpcd）。
针对步骤S108，当第三特征提取模型为PointNet++网络时，服务器先确定目标通用模型npts*3，其中npts表示物体通用模型上点数量，与目标点云中点的数量相同，3表示各点的x、y、z坐标。随后，将该目标通用模型输入PointNet++网络，提取目标通用模型的特征npts*c`pcd，其中c`pcd表示目标通用模型特征的特征通道数，与cpcd相同。然后，再将目标通用模型的特征与目标点云的特征连接，得到目标物体的综合特征npts*（crgb+cpcd+c`pcd）。接着，通过若干连续的一维卷积将目标物体的综合特征压缩到npts*3，作为npts个物体点的形变特征，与目标通用模型对应，该形变特征可表征npts个物体点的x、y、z三轴形变量。最后，将三轴形变量与目标通用模型相加，得到目标物体的三维点云模型。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应的一种物体的抓取装置，如图3所示。
图3为本说明书提供的一种物体的抓取装置的示意图，包括：
图像获取模块300，用于获取目标物体的深度图像及普通图像，以根据所述深度图像及所述普通图像，确定所述目标物体的特征；
目标通用模型确定模块302，用于根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型；
三维点云模型确定模块304，用于根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型；
姿态确定模块306，用于根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态；
抓取点确定模块308，用于根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点；
抓取模块310，用于根据所述抓取点控制抓取设备抓取所述目标物体。
可选地，所述装置还包括：
通用模型库建立模块312，用于确定样本物体的点云模型，作为样本点云模型；将同类型的样本物体的样本点云模型以同样的位姿置于同一位置处，并对置于同一位置处的所有点云中的点进行聚类，得到若干点簇；根据所述若干点簇，预先建立通用模型库。
可选地，所述通用模型库建立模块312具体用于，针对每个点簇，根据该点簇，确定该点簇的代表点；根据各点簇的代表点，确定各代表点构成的通用模型；根据所述通用模型，确定通用模型库。
可选地，所述图像获取模块300具体用于，在所述普通图像中，确定所述目标物体所在的目标区域；确定所述普通图像的像素点与所述深度图像的像素点的对应关系，作为像素点对应关系；并确定所述深度图像的点云；根据所述像素点对应关系、所述深度图像的点云及所述目标区域，在所述深度图像中，确定与所述目标区域对应的点云，作为目标点云；将所述普通图像输入预先训练的第一特征提取模型，以根据所述第一特征提取模型输出的特征，确定所述普通图像的特征；将所述目标点云输入预先训练的第二特征提取模型，以根据所述第二特征提取模型输出的特征，确定所述深度图像的特征；根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征。
可选地，所述图像获取模块300具体用于，将所述普通图像的特征及所述深度图像的特征进行特征融合，得到所述目标物体的特征。
可选地，所述三维点云模型确定模块304具体用于，将所述目标通用模型输入预先训练的第三特征提取模型，确定所述目标通用模型的特征；将所述目标物体的特征及所述目标通用模型的特征进行特征融合，得到所述目标物体的综合特征；根据所述综合特征，建立所述目标物体的三维点云模型。
可选地，所述姿态确定模块306具体用于，将所述目标点云输入第一多层感知机，以根据所述第一多层感知机的输出结果，确定所述目标点云的特征；将所述三维点云模型输入第二多层感知机，以根据所述第二多层感知机的输出结果，确定所述三维点云模型的点云特征；根据所述目标点云的特征及所述三维点云模型的点云特征，确定所述目标物体的姿态。
可选地，所述抓取点确定模块308具体用于，根据所述三维点云模型及预先生成的抓取所述目标通用模型的多个抓取点，确定所述三维点云模型的多个抓取点；根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
可选地，所述抓取点确定模块308具体用于，确定抓取设备的位置；根据所述抓取设备的位置及所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
可选地，所述抓取模块310具体用于，根据所述抓取设备的位置及所述目标物体的抓取点，确定抓取路径；根据所述抓取路径控制所述抓取设备抓取所述目标物体。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种物体的抓取方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的结构示意图。如图5所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的一种物体的抓取方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书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、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他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、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书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、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (22)
1.一种物体的抓取方法，其特征在于，预先建立通用模型库，所述通用模型库包括各类物体分别对应的通用模型；所述方法包括：
获取目标物体的深度图像及普通图像，以根据所述深度图像及所述普通图像，确定所述目标物体的特征；
根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型；
根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型；
根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态；
根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点；
根据所述抓取点控制抓取设备抓取所述目标物体。
2.如权利要求1所述的方法，其特征在于，预先建立通用模型库，具体包括：
确定样本物体的点云模型，作为样本点云模型；
将同类型的样本物体的样本点云模型以同样的位姿投影至同一标准空间；
将所述标准空间中的点进行对应点匹配，确定点对应关系；
根据所述点对应关系，对所述标准空间的所有点云中的点进行聚类，得到若干点簇；
根据所述若干点簇，预先建立通用模型库。
3.如权利要求2所述的方法，其特征在于，根据所述点簇，预先建立通用模型库，具体包括：
针对每个点簇，根据该点簇，确定该点簇的代表点；
根据各点簇的代表点，确定各代表点构成的通用模型；
根据所述通用模型，确定通用模型库。
4.如权利要求1所述的方法，其特征在于，根据所述深度图像及所述普通图像，确定所述目标物体的特征，具体包括：
在所述普通图像中，确定所述目标物体所在的目标区域；
确定所述普通图像的像素点与所述深度图像的像素点的对应关系，作为像素点对应关系；并确定所述深度图像的点云；
根据所述像素点对应关系、所述深度图像的点云及所述目标区域，在所述深度图像中，确定与所述目标区域对应的点云，作为目标点云；
将所述普通图像输入预先训练的第一特征提取模型，以根据所述第一特征提取模型输出的特征，确定所述普通图像的特征；
将所述目标点云输入预先训练的第二特征提取模型，以根据所述第二特征提取模型输出的特征，确定所述深度图像的特征；
根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征。
5.如权利要求4所述的方法，其特征在于，根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征，具体包括：
将所述普通图像的特征及所述深度图像的特征进行特征融合，得到所述目标物体的特征。
6.如权利要求1所述的方法，其特征在于，根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型，具体包括：
将所述目标通用模型输入预先训练的第三特征提取模型，确定所述目标通用模型的特征；
将所述目标物体的特征及所述目标通用模型的特征进行特征融合，得到所述目标物体的综合特征；
根据所述综合特征，建立所述目标物体的三维点云模型。
7.如权利要求4所述的方法，其特征在于，根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态，具体包括：
将所述目标点云输入第一多层感知机，以根据所述第一多层感知机的输出结果，确定所述目标点云的特征；
将所述三维点云模型输入第二多层感知机，以根据所述第二多层感知机的输出结果，确定所述三维点云模型的点云特征；
根据所述目标点云的特征及所述三维点云模型的点云特征，确定所述目标物体的姿态。
8.如权利要求1所述的方法，其特征在于，根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点，具体包括：
根据所述三维点云模型及预先生成的抓取所述目标通用模型的多个抓取点，确定所述三维点云模型的多个抓取点；
根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
9.如权利要求8所述的方法，其特征在于，根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点，具体包括：
确定抓取设备的位置；
根据所述抓取设备的位置及所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
10.如权利要求9所述的方法，其特征在于，根据所述抓取点控制抓取设备抓取所述目标物体，具体包括：
根据所述抓取设备的位置及所述目标物体的抓取点，确定抓取路径；
根据所述抓取路径控制所述抓取设备抓取所述目标物体。
11.一种物体的抓取装置，其特征在于，预先建立通用模型库，所述通用模型库包括各类物体分别对应的通用模型，所述装置包括：
图像获取模块，用于获取目标物体的深度图像及普通图像，以根据所述深度图像及所述普通图像，确定所述目标物体的特征；
目标通用模型确定模块，用于根据所述目标物体的特征，在预先建立的通用模型库中确定出与所述目标物体匹配的通用模型，作为目标通用模型；
三维点云模型确定模块，用于根据所述目标物体的特征及所述目标通用模型，建立所述目标物体的三维点云模型；
姿态确定模块，用于根据所述三维点云模型及所述目标通用模型，确定所述目标物体的姿态；
抓取点确定模块，用于根据所述三维点云模型及所述目标物体的姿态，确定所述目标物体的抓取点；
抓取模块，用于根据所述抓取点控制抓取设备抓取所述目标物体。
12.如权利要求11所述的装置，其特征在于，所述装置还包括：
通用模型库建立模块，用于确定样本物体的点云模型，作为样本点云模型；将同类型的样本物体的样本点云模型以同样的位姿投影至同一标准空间；将所述标准空间中的点进行对应点匹配，确定点对应关系；根据所述点对应关系，对所述标准空间的所有点云中的点进行聚类，得到若干点簇；根据所述若干点簇，预先建立通用模型库。
13.如权利要求12所述的装置，其特征在于，所述通用模型库建立模块具体用于，针对每个点簇，根据该点簇，确定该点簇的代表点；根据各点簇的代表点，确定各代表点构成的通用模型；根据所述通用模型，确定通用模型库。
14.如权利要求11所述的装置，其特征在于，所述图像获取模块具体用于，在所述普通图像中，确定所述目标物体所在的目标区域；确定所述普通图像的像素点与所述深度图像的像素点的对应关系，作为像素点对应关系；并确定所述深度图像的点云；根据所述像素点对应关系、所述深度图像的点云及所述目标区域，在所述深度图像中，确定与所述目标区域对应的点云，作为目标点云；将所述普通图像输入预先训练的第一特征提取模型，以根据所述第一特征提取模型输出的特征，确定所述普通图像的特征；将所述目标点云输入预先训练的第二特征提取模型，以根据所述第二特征提取模型输出的特征，确定所述深度图像的特征；根据所述普通图像的特征及所述深度图像的特征，确定所述目标物体的特征。
15.如权利要求14所述的装置，其特征在于，所述图像获取模块具体用于，将所述普通图像的特征及所述深度图像的特征进行特征融合，得到所述目标物体的特征。
16.如权利要求11所述的装置，其特征在于，所述三维点云模型确定模块具体用于，将所述目标通用模型输入预先训练的第三特征提取模型，确定所述目标通用模型的特征；将所述目标物体的特征及所述目标通用模型的特征进行特征融合，得到所述目标物体的综合特征；根据所述综合特征，建立所述目标物体的三维点云模型。
17.如权利要求14所述的装置，其特征在于，所述姿态确定模块具体用于，将所述目标点云输入第一多层感知机，以根据所述第一多层感知机的输出结果，确定所述目标点云的特征；将所述三维点云模型输入第二多层感知机，以根据所述第二多层感知机的输出结果，确定所述三维点云模型的点云特征；根据所述目标点云的特征及所述三维点云模型的点云特征，确定所述目标物体的姿态。
18.如权利要求11所述的装置，其特征在于，所述抓取点确定模块具体用于，根据所述三维点云模型及预先生成的抓取所述目标通用模型的多个抓取点，确定所述三维点云模型的多个抓取点；根据所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
19.如权利要求18所述的装置，其特征在于，所述抓取点确定模块具体用于，确定抓取设备的位置；根据所述抓取设备的位置及所述目标物体的姿态，在所述三维点云模型的多个抓取点中，确定所述目标物体的抓取点。
20.如权利要求11所述的装置，其特征在于，所述抓取模块具体用于，根据所述抓取设备的位置及所述目标物体的抓取点，确定抓取路径；根据所述抓取路径控制所述抓取设备抓取所述目标物体。
21.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~10任一项所述的方法。
22.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1~10任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310631265.0A CN116330306B (zh) | 2023-05-31 | 2023-05-31 | 一种物体的抓取方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310631265.0A CN116330306B (zh) | 2023-05-31 | 2023-05-31 | 一种物体的抓取方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116330306A true CN116330306A (zh) | 2023-06-27 |
| CN116330306B CN116330306B (zh) | 2023-08-15 |
Family
ID=86880870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310631265.0A Active CN116330306B (zh) | 2023-05-31 | 2023-05-31 | 一种物体的抓取方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116330306B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117226854A (zh) * | 2023-11-13 | 2023-12-15 | 之江实验室 | 一种夹取任务的执行方法、装置、存储介质及电子设备 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102547A (zh) * | 2018-07-20 | 2018-12-28 | 上海节卡机器人科技有限公司 | 基于物体识别深度学习模型的机器人抓取位姿估计方法 |
| CN109176521A (zh) * | 2018-09-19 | 2019-01-11 | 北京因时机器人科技有限公司 | 一种机械臂及其抓取控制方法和系统 |
| US20190389062A1 (en) * | 2018-06-26 | 2019-12-26 | Teradyne, Inc. | System and method for robotic bin picking |
| CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
| CN110666791A (zh) * | 2019-08-29 | 2020-01-10 | 江苏大学 | 一种基于深度学习的rgbd机器人看护系统及方法 |
| CN111136656A (zh) * | 2019-12-24 | 2020-05-12 | 上海智殷自动化科技有限公司 | 一种用于机器人三维不规则物体自动识别及抓取的方法 |
| CN111251295A (zh) * | 2020-01-16 | 2020-06-09 | 清华大学深圳国际研究生院 | 一种应用于参数化零件的视觉机械臂抓取方法及装置 |
| CN111325768A (zh) * | 2020-01-31 | 2020-06-23 | 武汉大学 | 一种基于3d视觉和模仿学习的自由漂浮目标抓捕方法 |
| CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及系统 |
| CN112720459A (zh) * | 2020-12-02 | 2021-04-30 | 达闼机器人有限公司 | 目标物体抓取方法、装置、存储介质及电子设备 |
| CN113313815A (zh) * | 2021-05-24 | 2021-08-27 | 北京航空航天大学 | 一种机械臂抓取物体实时三维重建方法 |
| US20220072707A1 (en) * | 2020-09-10 | 2022-03-10 | Fanuc Corporation | Efficient data generation for grasp learning with general grippers |
| CN114387513A (zh) * | 2021-12-31 | 2022-04-22 | 北京航空航天大学杭州创新研究院 | 机器人抓取方法、装置、电子设备及存储介质 |
| CN114952809A (zh) * | 2022-06-24 | 2022-08-30 | 中国科学院宁波材料技术与工程研究所 | 工件识别和位姿检测方法、系统及机械臂的抓取控制方法 |
| WO2022227678A1 (zh) * | 2021-04-29 | 2022-11-03 | 达闼机器人股份有限公司 | 三维目标检测方法、抓取方法、装置及电子设备 |
| CN115861999A (zh) * | 2022-09-30 | 2023-03-28 | 西北工业大学 | 一种基于多模态视觉信息融合的机器人抓取检测方法 |
| WO2023060926A1 (zh) * | 2021-10-14 | 2023-04-20 | 五邑大学 | 一种基于3d光栅引导机器人定位抓取的方法、装置及设备 |
-
2023
- 2023-05-31 CN CN202310631265.0A patent/CN116330306B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190389062A1 (en) * | 2018-06-26 | 2019-12-26 | Teradyne, Inc. | System and method for robotic bin picking |
| CN109102547A (zh) * | 2018-07-20 | 2018-12-28 | 上海节卡机器人科技有限公司 | 基于物体识别深度学习模型的机器人抓取位姿估计方法 |
| CN109176521A (zh) * | 2018-09-19 | 2019-01-11 | 北京因时机器人科技有限公司 | 一种机械臂及其抓取控制方法和系统 |
| CN110666791A (zh) * | 2019-08-29 | 2020-01-10 | 江苏大学 | 一种基于深度学习的rgbd机器人看护系统及方法 |
| CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
| CN111136656A (zh) * | 2019-12-24 | 2020-05-12 | 上海智殷自动化科技有限公司 | 一种用于机器人三维不规则物体自动识别及抓取的方法 |
| CN111251295A (zh) * | 2020-01-16 | 2020-06-09 | 清华大学深圳国际研究生院 | 一种应用于参数化零件的视觉机械臂抓取方法及装置 |
| CN111325768A (zh) * | 2020-01-31 | 2020-06-23 | 武汉大学 | 一种基于3d视觉和模仿学习的自由漂浮目标抓捕方法 |
| US20220072707A1 (en) * | 2020-09-10 | 2022-03-10 | Fanuc Corporation | Efficient data generation for grasp learning with general grippers |
| CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及系统 |
| CN112720459A (zh) * | 2020-12-02 | 2021-04-30 | 达闼机器人有限公司 | 目标物体抓取方法、装置、存储介质及电子设备 |
| WO2022116677A1 (zh) * | 2020-12-02 | 2022-06-09 | 达闼机器人股份有限公司 | 目标物体抓取方法、装置、存储介质及电子设备 |
| WO2022227678A1 (zh) * | 2021-04-29 | 2022-11-03 | 达闼机器人股份有限公司 | 三维目标检测方法、抓取方法、装置及电子设备 |
| CN113313815A (zh) * | 2021-05-24 | 2021-08-27 | 北京航空航天大学 | 一种机械臂抓取物体实时三维重建方法 |
| WO2023060926A1 (zh) * | 2021-10-14 | 2023-04-20 | 五邑大学 | 一种基于3d光栅引导机器人定位抓取的方法、装置及设备 |
| CN114387513A (zh) * | 2021-12-31 | 2022-04-22 | 北京航空航天大学杭州创新研究院 | 机器人抓取方法、装置、电子设备及存储介质 |
| CN114952809A (zh) * | 2022-06-24 | 2022-08-30 | 中国科学院宁波材料技术与工程研究所 | 工件识别和位姿检测方法、系统及机械臂的抓取控制方法 |
| CN115861999A (zh) * | 2022-09-30 | 2023-03-28 | 西北工业大学 | 一种基于多模态视觉信息融合的机器人抓取检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴鸿敏等: "云机器人：未来机器人新模式", 《广东科技》, vol. 29, no. 8, pages 27 - 31 * |
| 周志宵等: "基于机器视觉与改进遗传算法的机械手分拣方法研究", 《制造技术与机床》, no. 2, pages 25 - 29 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117226854A (zh) * | 2023-11-13 | 2023-12-15 | 之江实验室 | 一种夹取任务的执行方法、装置、存储介质及电子设备 |
| CN117226854B (zh) * | 2023-11-13 | 2024-02-02 | 之江实验室 | 一种夹取任务的执行方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116330306B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210190497A1 (en) | Simultaneous location and mapping (slam) using dual event cameras | |
| CN113524194B (zh) | 基于多模特征深度学习的机器人视觉抓取系统的目标抓取方法 | |
| CN110176032B (zh) | 一种三维重建方法及装置 | |
| WO2022170844A1 (zh) | 一种视频标注方法、装置、设备及计算机可读存储介质 | |
| CN116330306B (zh) | 一种物体的抓取方法、装置、存储介质及电子设备 | |
| WO2021169420A1 (zh) | 基于多个图像帧的视觉定位 | |
| Wu et al. | CAD-based pose estimation for random bin-picking of multiple objects using a RGB-D camera | |
| CN111259934A (zh) | 一种基于深度学习的堆叠物体6d位姿估计方法和装置 | |
| CN111062981A (zh) | 图像处理方法、装置及存储介质 | |
| CN114556268B (zh) | 一种姿势识别方法及装置、存储介质 | |
| CN109840508A (zh) | 一个基于深度网络架构自动搜索的机器人视觉控制方法，设备及存储介质 | |
| CN109034183A (zh) | 一种目标检测方法、装置及设备 | |
| CN112509036B (zh) | 位姿估计网络训练及定位方法、装置、设备、存储介质 | |
| CN111476894A (zh) | 三维语义地图构建方法、装置、存储介质及电子设备 | |
| CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
| CN110796702A (zh) | 一种基于机器视觉的工业设备识别定位方法、系统及设备 | |
| CN110516751A (zh) | 三维数据的处理方法、系统及设备 | |
| CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| JP7051751B2 (ja) | 学習装置、学習方法、学習モデル、検出装置及び把持システム | |
| Chen et al. | 3D object classification with point convolution network | |
| CN110599407A (zh) | 基于向下倾角方向的多台tof相机人体降噪方法及系统 | |
| CN111798489B (zh) | 一种特征点跟踪方法、设备、介质及无人设备 | |
| CN111967365B (zh) | 影像连接点的提取方法和装置 | |
| Bojanić et al. | A review of rigid 3D registration methods | |
| CN113894779A (zh) | 一种应用于机器人交互的多模态数据处理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |