CN117325170A - 基于深度视觉导引机械臂抓取硬盘架的方法 - Google Patents
基于深度视觉导引机械臂抓取硬盘架的方法 Download PDFInfo
- Publication number
- CN117325170A CN117325170A CN202311416290.3A CN202311416290A CN117325170A CN 117325170 A CN117325170 A CN 117325170A CN 202311416290 A CN202311416290 A CN 202311416290A CN 117325170 A CN117325170 A CN 117325170A
- Authority
- CN
- China
- Prior art keywords
- hard disk
- algorithm
- grabbing
- mechanical arm
- depth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视觉导引技术领域，公开了基于深度视觉导引机械臂抓取硬盘架的方法，包括以下步骤：步骤一，使用深度相机或其他适当的传感器采集环境中的图像和深度信息，将采集的数据用于后续的目标检测和姿态估计；步骤二，使用深度学习算法，如卷积神经网络，对图像中的硬盘架进行目标检测。通过使用深度相机采集环境中的图像和深度信息，将采集数据用于后续目标检测和姿态估计，使用深度学习算法，对图像中的硬盘架进行目标检测，使用点云处理算法，在目标检测的基础上，提高了时效性，避免硬盘数据丢失或被修改；有效的防止基站硬盘异常信号和隐患被疏漏导致服务器宕机的问题，维护过程可实时监控，能够实现资源合理分配。
Description
技术领域
本发明涉及视觉导引技术领域，具体为基于深度视觉导引机械臂抓取硬盘架的方法。
背景技术
视觉导引是一种利用视觉信息来引导人或机器进行导航、定位或操作的技术，它可以通过分析和理解环境中的视觉特征，如图像、视频或摄像头捕捉到的实时场景，来实现定位、路径规划和目标识别等功能。因此，在很多机械工作当中，采用视觉导引进行更加智能化的操作成为大势所趋。
硬盘架，也称为硬盘托架或硬盘盒，是一种用于安装和保护硬盘的装置。它通常由金属、塑料或合金材料制成，具有适配不同硬盘尺寸的设计，在5G机房智能运维中，5G机房数量多面积大，服务器数量更是数不胜数，如何提高巡检效率将是一个十分棘手的问题，对于机房里故障硬盘的及时更换同样十分重要，人工巡检存在以下问题：故障多采用手动填写录入系统，时效性差、故障硬盘不能及时更换，会导致硬盘数据丢失或被修改；有些基站硬盘异常信号和隐患会被疏漏，导致服务器宕机，造成系统瘫痪；维护过程不可监控，无法实现资源合理分配；存在信息孤岛，硬盘信息无法流通共享。人工巡检工作枯燥乏味、工作内容单一且无任何技术含量，因此使用机械臂代替人工实现机房巡检，对故障硬盘架进行替换是有待解决的问题。
发明内容
针对现有技术的不足，本发明提供了基于深度视觉导引机械臂抓取硬盘架的方法，解决了故障多采用手动填写录入系统，时效性差、故障硬盘不能及时更换，会导致硬盘数据丢失或被修改；有些基站硬盘异常信号和隐患会被疏漏，导致服务器宕机，造成系统瘫痪；维护过程不可监控，无法实现资源合理分配；存在信息孤岛，硬盘信息无法流通共享的问题。
为实现以上目的，本发明通过以下技术方案予以实现：基于深度视觉导引机械臂抓取硬盘架的方法，包括以下步骤：
步骤一，使用深度相机或其他适当的传感器采集环境中的图像和深度信息，将采集的数据用于后续的目标检测和姿态估计；
步骤二，使用深度学习算法，如卷积神经网络，对图像中的硬盘架进行目标检测，训练一个适应硬盘架的物体检测模型，通过标注具有硬盘架的图像和对应的边界框来实现；
步骤三，使用点云处理算法，如ICP算法或PnP算法来实现姿态估计，在目标检测的基础上，通过深度信息和目标检测结果，估计硬盘架的姿态；
步骤四，根据目标位置和机械臂的当前姿态，使用路径规划算法计算机械臂的运动轨迹，以确保机械臂能够安全而有效地抓取硬盘架；
步骤五，根据计算得到的运动轨迹，控制机械臂执行抓取操作，机械臂的末端工具会移动到硬盘架的位置，并进行抓取动作；
步骤六，抓取完成后，通过视觉反馈或力传感器检测抓取结果，如果抓取失败，可以根据反馈信息进行调整，重新执行抓取操作。
优选的，步骤一中，所述深度相机是一种能够获取场景中物体距离信息的相机设备，与传统的彩色相机不同，深度相机可以提供每个像素点的深度值，即物体离相机的距离，这种距离信息可以用于三维重建、姿态估计、目标检测和室内导航等应用。
优选的，步骤二中，所述深度学习算法是一类基于人工神经网络的机器学习算法，其主要特点是多层次的神经网络结构和大量的参数，深度学习算法通过从大规模数据中学习特征表示和模式识别，可以自动提取数据中的抽象特征，并用于分类、回归、聚类、生成等任务。
优选的，所述深度学习算法为卷积神经网络、循环神经网络、长短期记忆网络、生成对抗网络和强化学习中的一种或多种。
优选的，步骤三中，所述点云处理算法是指对三维空间中的点云数据进行分析、处理和操作的算法，点云是由一系列离散的三维坐标点组成的数据集，通常由激光雷达、深度相机或三维扫描仪等设备获取。
优选的，所述点云处理算法为点云滤波、点云配准、点云分割、点云分割和点云特征提取中的一种或多种。
优选的，步骤四中，所述路径规划算法是指为自动机器人、车辆或其他移动体找到最优或合适的路径的算法，这些算法在许多领域都有广泛的应用，例如自动驾驶、无人机导航、物流仓储等。
优选的，所述路径规划算法为A算法、A算法、动态规划算法和ARA算法中的一种或多种。
本发明提供了基于深度视觉导引机械臂抓取硬盘架的方法。具备以下有益效果：
1、本发明通过使用深度相机或其他适当的传感器采集环境中的图像和深度信息，将采集的数据用于后续的目标检测和姿态估计，使用深度学习算法，如卷积神经网络，对图像中的硬盘架进行目标检测，训练一个适应硬盘架的物体检测模型，通过标注具有硬盘架的图像和对应的边界框来实现，使用点云处理算法，如ICP算法或PnP算法来实现姿态估计，在目标检测的基础上，通过深度信息和目标检测结果，估计硬盘架的姿态，根据目标位置和机械臂的当前姿态，使用路径规划算法计算机械臂的运动轨迹，以确保机械臂能够安全而有效地抓取硬盘架，根据计算得到的运动轨迹，控制机械臂执行抓取操作，机械臂的末端工具会移动到硬盘架的位置，并进行抓取动作，抓取完成后，通过视觉反馈或力传感器检测抓取结果，如果抓取失败，可以根据反馈信息进行调整，重新执行抓取操作，提高了时效性，避免硬盘数据丢失或被修改；有效的防止基站硬盘异常信号和隐患被疏漏导致服务器宕机的问题，维护过程可实时监控，能够实现资源合理分配。
附图说明
图1是本发明基于深度视觉导引的机械臂抓取硬盘架的方法的流程图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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得的所有其他实施例，都属于本发明保护的范围。
实施例一：
本发明实施例提供基于深度视觉导引机械臂抓取硬盘架的方法，包括以下步骤：
步骤一，使用深度相机或其他适当的传感器采集环境中的图像和深度信息，将采集的数据用于后续的目标检测和姿态估计；
步骤二，使用深度学习算法，如卷积神经网络，对图像中的硬盘架进行目标检测，训练一个适应硬盘架的物体检测模型，通过标注具有硬盘架的图像和对应的边界框来实现；
步骤三，使用点云处理算法，如ICP算法或PnP算法来实现姿态估计，在目标检测的基础上，通过深度信息和目标检测结果，估计硬盘架的姿态；
步骤四，根据目标位置和机械臂的当前姿态，使用路径规划算法计算机械臂的运动轨迹，以确保机械臂能够安全而有效地抓取硬盘架；
步骤五，根据计算得到的运动轨迹，控制机械臂执行抓取操作，机械臂的末端工具会移动到硬盘架的位置，并进行抓取动作；
步骤六，抓取完成后，通过视觉反馈或力传感器检测抓取结果，如果抓取失败，可以根据反馈信息进行调整，重新执行抓取操作。
步骤一中，深度相机是一种能够获取场景中物体距离信息的相机设备，与传统的彩色相机不同，深度相机可以提供每个像素点的深度值，即物体离相机的距离，这种距离信息可以用于三维重建、姿态估计、目标检测和室内导航等应用。
步骤二中，深度学习算法是一类基于人工神经网络的机器学习算法，其主要特点是多层次的神经网络结构和大量的参数，深度学习算法通过从大规模数据中学习特征表示和模式识别，可以自动提取数据中的抽象特征，并用于分类、回归、聚类、生成等任务。
深度学习算法为卷积神经网络、循环神经网络、长短期记忆网络、生成对抗网络和强化学习中的一种或多种。
步骤三中，点云处理算法是指对三维空间中的点云数据进行分析、处理和操作的算法，点云是由一系列离散的三维坐标点组成的数据集，通常由激光雷达、深度相机或三维扫描仪等设备获取。
点云处理算法为点云滤波、点云配准、点云分割、点云分割和点云特征提取中的一种或多种。
步骤四中，路径规划算法是指为自动机器人、车辆或其他移动体找到最优或合适的路径的算法，这些算法在许多领域都有广泛的应用，例如自动驾驶、无人机导航、物流仓储等。
路径规划算法为A算法、A算法、动态规划算法和ARA算法中的一种或多种。
实施例二：
本发明实施例提供基于深度视觉导引机械臂抓取硬盘架的方法，包括以下步骤：
步骤一，使用深度相机或其他适当的传感器采集环境中的图像和深度信息，将采集的数据用于后续的目标检测和姿态估计；
步骤二，使用点云处理算法，如ICP算法或PnP算法来实现姿态估计，在目标检测的基础上，通过深度信息和目标检测结果，估计硬盘架的姿态；
步骤三，根据目标位置和机械臂的当前姿态，使用路径规划算法计算机械臂的运动轨迹，以确保机械臂能够安全而有效地抓取硬盘架；
步骤四，根据计算得到的运动轨迹，控制机械臂执行抓取操作，机械臂的末端工具会移动到硬盘架的位置，并进行抓取动作；
步骤五，抓取完成后，通过视觉反馈或力传感器检测抓取结果，如果抓取失败，可以根据反馈信息进行调整，重新执行抓取操作。
步骤一中，深度相机是一种能够获取场景中物体距离信息的相机设备，与传统的彩色相机不同，深度相机可以提供每个像素点的深度值，即物体离相机的距离，这种距离信息可以用于三维重建、姿态估计、目标检测和室内导航等应用。
步骤二中，点云处理算法是指对三维空间中的点云数据进行分析、处理和操作的算法，点云是由一系列离散的三维坐标点组成的数据集，通常由激光雷达、深度相机或三维扫描仪等设备获取。
点云处理算法为点云滤波、点云配准、点云分割、点云分割和点云特征提取中的一种或多种。
步骤三中，路径规划算法是指为自动机器人、车辆或其他移动体找到最优或合适的路径的算法，这些算法在许多领域都有广泛的应用，例如自动驾驶、无人机导航、物流仓储等。
路径规划算法为A算法、A算法、动态规划算法和ARA算法中的一种或多种。
实施例三：
本发明实施例提供基于深度视觉导引机械臂抓取硬盘架的方法，包括以下步骤：
步骤一，采集硬盘架指示灯图像，对采集到的硬盘架指示灯图像进行处理；
步骤二，经过处理后判断硬盘的工作状态，当检测到故障硬盘，机器人移动到对应服务器处；
步骤三，采集故障硬盘架的图像，根据所采集的图像处理获取待抓取硬盘架的抓取参数；
步骤四，进行眼在手上的手眼标定，确定相机坐标系与机器人坐标系之间的位姿关系；
步骤五，结合图像处理结果和模板匹配结果，获取机械臂末端和故障硬盘架的位置关系，然后对机械臂抓取的轨迹进行规划。
整个抓取系统包括UR5机械臂、DingGo移动小车平台、Realsense深度相机、自设计硬盘架抓取专用夹爪以及电脑，所述UR5机械臂安装在DingGo移动小车平台上；所述Realsense深度相机通过机械臂末端法兰连接在机械臂末端；所述自设计硬盘架抓取专用夹爪通过与深度相机共同的法兰连接在机械臂末端，构成眼在手上的手眼标定方式；所述Realsense深度相机用于采集硬盘架的图像，应且通过USB连接到电脑上，把采集到的硬盘架图像发送给电脑进行图像处理。
自设计硬盘架抓取专用夹爪通过对弹簧柱塞的使用，使抓取具有柔性抓取的特点，用弹簧柱塞模拟人的手指去按开硬盘架按钮，防止刚性夹爪对硬盘架的损伤；通过对夹爪进行弯钩设计，钩住硬盘架手柄往外拉，方便后续抓取。
步骤一中，通过深度相机拍摄的硬盘架指示灯的RGB图像，经过对彩色图像的处理，包括图像二值化处理、指示灯边缘信息的提取、对指示灯区域进行颜色增强、图像分割等，提取出故障硬盘架指示灯图像，通过DingGo移动小车平台上的激光雷达导航移动到故障硬盘架所在的服务器处。
步骤二中，电脑的操作系统为Ubuntu18.04，基于ROS进行图像处理是依赖于OpenCV库的，ROS通过Cvbridge功能包，将获取的图像数据转换成OpenCV格式的，调用OpenCV算法库对深度相机拍摄的图像进行处理后，传给ROS在rviz中进行图像显示。
通过颜色空间转换，增强硬盘架指示灯图像的边缘特征，方便后续进行边缘特征提取；对拍摄的现场图像进行中值滤波去除图像的椒盐噪声；对消除了椒盐噪声的硬盘架指示灯图像进行ROI分割，确定感兴趣区域。
步骤三中，将深度相机拍摄的RGB图像的颜色信息和深度信息进行融合匹配，基于RGB-D图像位姿估计方法通过彩色图像检测到硬盘架的二维位置信息，结合深度信息确定硬盘架的坐标系。将模板点云与深度图像点云进行匹配，获取更加准确的硬盘架位姿。
步骤四中，手眼标定可以求解出机械臂末端坐标系与相机坐标系之间的坐标系转换关系，求得手眼转换矩阵X的值以后，通过一系列坐标转换即可得到机械臂末端夹爪到硬盘架的之间的转换矩阵，进而可以进行运动轨迹规划。
步骤五中，将所建的硬盘架点云模板与处理后的硬盘架图像通过系数匹配算法进行匹配：
其中
1表示匹配完美，-1表示匹配糟糕，0表示没有相关性。
采用基于快速扩展随机树和人工势场综合算法，在抓取过程中进行无碰撞最优轨迹规划。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于，包括以下步骤：
步骤一，使用深度相机或其他适当的传感器采集环境中的图像和深度信息，将采集的数据用于后续的目标检测和姿态估计；
步骤二，使用深度学习算法，如卷积神经网络，对图像中的硬盘架进行目标检测，训练一个适应硬盘架的物体检测模型，通过标注具有硬盘架的图像和对应的边界框来实现；
步骤三，使用点云处理算法，如ICP算法或PnP算法来实现姿态估计，在目标检测的基础上，通过深度信息和目标检测结果，估计硬盘架的姿态；
步骤四，根据目标位置和机械臂的当前姿态，使用路径规划算法计算机械臂的运动轨迹，以确保机械臂能够安全而有效地抓取硬盘架；
步骤五，根据计算得到的运动轨迹，控制机械臂执行抓取操作，机械臂的末端工具会移动到硬盘架的位置，并进行抓取动作；
步骤六，抓取完成后，通过视觉反馈或力传感器检测抓取结果，如果抓取失败，可以根据反馈信息进行调整，重新执行抓取操作。
2.根据权利要求1所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：步骤一中，所述深度相机是一种能够获取场景中物体距离信息的相机设备，与传统的彩色相机不同，深度相机可以提供每个像素点的深度值，即物体离相机的距离，这种距离信息可以用于三维重建、姿态估计、目标检测和室内导航等应用。
3.根据权利要求1所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：步骤二中，所述深度学习算法是一类基于人工神经网络的机器学习算法，其主要特点是多层次的神经网络结构和大量的参数，深度学习算法通过从大规模数据中学习特征表示和模式识别，可以自动提取数据中的抽象特征，并用于分类、回归、聚类、生成等任务。
4.根据权利要求3所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：所述深度学习算法为卷积神经网络、循环神经网络、长短期记忆网络、生成对抗网络和强化学习中的一种或多种。
5.根据权利要求1所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：步骤三中，所述点云处理算法是指对三维空间中的点云数据进行分析、处理和操作的算法，点云是由一系列离散的三维坐标点组成的数据集，通常由激光雷达、深度相机或三维扫描仪等设备获取。
6.根据权利要求5所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：所述点云处理算法为点云滤波、点云配准、点云分割、点云分割和点云特征提取中的一种或多种。
7.根据权利要求1所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：步骤四中，所述路径规划算法是指为自动机器人、车辆或其他移动体找到最优或合适的路径的算法，这些算法在许多领域都有广泛的应用，例如自动驾驶、无人机导航、物流仓储等。
8.根据权利要求7所述的基于深度视觉导引机械臂抓取硬盘架的方法，其特征在于：所述路径规划算法为A算法、A算法、动态规划算法和ARA算法中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311416290.3A CN117325170A (zh) | 2023-10-27 | 2023-10-27 | 基于深度视觉导引机械臂抓取硬盘架的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311416290.3A CN117325170A (zh) | 2023-10-27 | 2023-10-27 | 基于深度视觉导引机械臂抓取硬盘架的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117325170A true CN117325170A (zh) | 2024-01-02 |
Family
ID=89275526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311416290.3A Pending CN117325170A (zh) | 2023-10-27 | 2023-10-27 | 基于深度视觉导引机械臂抓取硬盘架的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117325170A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118003340A (zh) * | 2024-04-08 | 2024-05-10 | 厦门熠明机器人自动化有限公司 | 基于深度学习的视觉机械臂物料抓取控制方法及系统 |
-
2023
- 2023-10-27 CN CN202311416290.3A patent/CN117325170A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118003340A (zh) * | 2024-04-08 | 2024-05-10 | 厦门熠明机器人自动化有限公司 | 基于深度学习的视觉机械臂物料抓取控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767423B (zh) | 一种基于双目视觉的机械臂目标定位抓取方法 | |
| CN109794948B (zh) | 配网带电作业机器人及识别定位方法 | |
| CN108247635B (zh) | 一种深度视觉的机器人抓取物体的方法 | |
| Kenney et al. | Interactive segmentation for manipulation in unstructured environments | |
| CN109986560B (zh) | 一种面向多目标种类的机械臂自适应抓取方法 | |
| CN110084243B (zh) | 一种基于二维码和单目相机的档案识别与定位方法 | |
| CN111360780A (zh) | 一种基于视觉语义slam的垃圾捡拾机器人 | |
| CN111476841B (zh) | 一种基于点云和图像的识别定位方法及系统 | |
| CN111260289A (zh) | 一种基于视觉导航的微型无人机仓库盘点系统及方法 | |
| CN114952809A (zh) | 工件识别和位姿检测方法、系统及机械臂的抓取控制方法 | |
| CN117325170A (zh) | 基于深度视觉导引机械臂抓取硬盘架的方法 | |
| Damen et al. | Egocentric real-time workspace monitoring using an rgb-d camera | |
| CN112518748B (zh) | 面向运动物品的视觉机械臂自动抓取方法与系统 | |
| CN115553132A (zh) | 一种基于视觉算法的荔枝识别方法和仿生荔枝采摘机器人 | |
| Bormann et al. | Autonomous dirt detection for cleaning in office environments | |
| EP4207068A1 (en) | Target object detection method and apparatus, and electronic device, storage medium and program | |
| CN109079777B (zh) | 一种机械臂手眼协调作业系统 | |
| Wakayama et al. | 6D-pose estimation for manipulation in retail robotics using the inference-embedded OAK-D camera | |
| CN115861780B (zh) | 一种基于yolo-ggcnn的机械臂检测抓取方法 | |
| CN116740036A (zh) | 一种钢管管端引熄弧板切割点位检测方法和系统 | |
| Lee et al. | 3D Pose Estimation of Bin Picking Object using Deep Learning and 3D Matching. | |
| KR101668649B1 (ko) | 주변 환경 모델링 방법 및 이를 수행하는 장치 | |
| Wanyan et al. | Scene Prediction and Manipulator Grasp Pose Estimation Based on YOLO-GraspNet | |
| Wang et al. | 3D pose estimation for robotic grasping using deep convolution neural network | |
| Mörwald et al. | Self-monitoring to improve robustness of 3D object tracking for robotics |
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 |