CN121374635A - 一种基于深度学习的电池装配机器人抓取方法 - Google Patents

Abstract

本发明属于智能制造与工业机器人技术领域，具体涉及一种基于深度学习的电池装配机器人抓取方法，其方法包括：基于三维点云数据构建物理支撑图谱，计算各电池的亚稳态支撑指数以评估崩塌风险；结合机器人运动学和电池物理属性，计算动态剪切安全指数，防止抓取物在高速运动中滑脱；通过模拟抓取动作评估全局揭露增益，优化抓取序列，避免造成后续抓取困难；通过多目标优选策略，在确保物理稳定性和动态安全性的前提下，选择能最大化后续操作便利性的最优抓取目标。本发明提高了电池抓取过程的安全性、效率以及智能化水平。

Description

一种基于深度学习的电池装配机器人抓取方法

技术领域

本发明涉及智能制造与工业机器人技术领域。更具体地，本发明涉及一种基于深度学习的电池装配机器人抓取方法。

背景技术

在新能源汽车等行业的电池模组生产过程中，工业机器人需要从深框中准确、稳定地抓取并装配无序堆叠的方形电池。这一环节的自动化水平与运行稳定性，直接关系到整个产线的生产效率和产品质量。

然而，在深框紧密堆叠的复杂场景中，电池之间存在着复杂的物理接触和力传递关系。传统的机器人抓取方法，如仅基于视觉高度信息选择最高点进行抓取的策略，往往难以适用。原因在于视觉上的最高点未必是物理上最适宜抓取的对象，若机器人错误地抓取了作为下层支撑的关键电池，会导致上层电池因失去平衡而发生连锁式崩塌或滑落，不仅可能造成电池电极损坏，还可能引发设备卡死，严重影响生产。

为解决上述问题，现有技术开始采用基于三维视觉和物理模型的抓取规划方法。这类方法通常通过分析点云数据来构建物体间的支撑关系图谱，并基于此评估移除任一物体对整体稳定性的影响。例如通过计算每个物体承载的上层物体总质量与接触面积的比值来评估其局部压强，从而判断支撑关系的脆弱程度。但是，在电池堆叠场景下，这类方法存在明显缺陷：其稳定性评估模型往往较为简化，未能充分考虑电池间的静摩擦力、堆叠层级高度带来的势能风险等复杂物理因素，导致对崩塌风险的预测不够准确，难以满足工业现场对高可靠性的要求。

发明内容

为解决上述电池装配过程机器人抓取效果不好的技术问题，本发明提供了一种基于深度学习的电池装配机器人抓取方法，包括：

获取堆叠场景的三维点云数据，并识别出独立的电池；构建包含各电池的物理支撑图谱；基于所述物理支撑图谱，获取各电池的亚稳态支撑指数，所述亚稳态支撑指数与该电池所支撑的上层电池的总质量、所述上层电池相对于该电池的相对层级高度呈正相关，与所述上层电池在所述电池上的接触支撑面积呈负相关；获取各电池的动态剪切安全指数，并筛选出亚稳态支撑指数小于设定阈值且动态剪切安全指数大于设定安全裕量的候选电池；所述动态剪切安全指数为吸盘与对应电池表面之间的最大静摩擦力与机器人运动产生的切向剪切力的差值；所述最大静摩擦力与理论吸力呈正相关，与沿吸盘法向的剥离合力呈负相关；所述剥离合力包括法向加速度分量和重力沿法向的分量；对所述候选电池进行虚拟抓取，生成虚拟剩余场景并计算全局揭露增益；所述全局揭露增益与抓取后邻近电池新增的可视面积呈正相关，与虚拟剩余场景中产生的凹陷体积呈负相关；在所述候选电池中，选择全局揭露增益最大的电池作为最优抓取目标，并驱动机器人执行抓取。

本发明通过综合构建物理支撑图谱评估静态崩塌风险、计算动态剪切安全指数评估高速运动中的滑脱风险以及模拟抓取评估全局揭露增益以优化抓取序列，建立多目标优选策略。本发明不仅避免了传统方法因忽略物理支撑关系而导致的堆叠崩塌问题，还降低了机器人高速运动中电池滑脱的风险，并避免了因当前抓取不当而造成后续抓取困难的问题，从而在确保物理稳定性和动态安全性的前提下，提升了电池抓取过程的整体安全性、效率与智能化水平。

优选的，所述物理支撑图谱的构建，包括：

对任意两个电池进行几何分析，若上层电池在下层电池上的水平投影面积占比大于设定的投影重叠阈值，且两者垂直方向的最小距离小于设定的垂直接触容差，则在两者之间建立由下层指向上层的支撑边。

本发明通过设定水平投影面积占比和垂直最小距离两个明确的几何阈值来构建物理支撑图谱，能够更精确、可靠地识别出电池之间真实的物理支撑关系，有效排除了视觉上邻近但无实际承力关系的干扰，从而为后续的稳定性分析提供了更准确的基础，提高了亚稳态支撑指数计算的可靠性。

优选的，所述亚稳态支撑指数还与对应电池的倾斜角度修正的静摩擦系数呈正相关；所述倾斜角度为所述电池上表面法向量与竖直方向的夹角。

优选的，所述亚稳态支撑指数还包含与相对层级高度呈指数关系的风险惩罚项，其中表示层高惩罚系数；表示第个上层支撑电池相对于第个电池的相对层级高度。

优选的，所述动态剪切安全指数满足表达式：

；

式中，表示第个电池的动态剪切安全指数；表示电池表面与吸盘之间的静摩擦系数；表示理论吸力；表示第个电池的质量；表示重力加速度；表示第个电池表面法向与重力方向的夹角；表示法向加速度；表示切向加速度。

本发明衡量了吸盘提供的最大静摩擦力与机器人运动产生的切向剪切力之间的竞争关系，能够实时预判在特定加速度下电池滑脱的风险，从而将动态稳定性纳入抓取决策中，避免了因高速运动导致抓取物滑脱或甩脱的问题。

优选的，还包括在任一候选电池的动态剪切安全指数不大于所述设定安全裕量时，执行降速优化循环：以设定步长降低所述法向加速度和切向加速度，并重新计算动态剪切安全指数，直至其大于所述设定安全裕量或加速度低于设定的最低效率阈值。

优选的，所述全局揭露增益满足表达式：

；

式中，表示抓取第个电池后的全局揭露增益；表示第个电池的邻域电池集合；表示移除第个电池后，其邻居新增的可被垂直投影覆盖的表面积；表示凹陷惩罚系数；表示第个电池对应虚拟剩余场景的投影区域；表示第个电池对应的虚拟剩余场景深度图；表示第个电池对应的平滑深度图；表示虚拟剩余场景中新增的凹陷体积。

本发明通过平衡抓取后新增的可视面积与产生的凹陷体积，实现了对抓取动作长远影响的评估，能够引导机器人选择不仅当前最优，且能为后续操作创造更有利条件的抓取目标，避免了制造难以触及的深坑，提升了整体抓取任务的流畅度和效率。

优选的，所述凹陷体积的计算，包括：

对所述虚拟剩余场景的深度图执行形态学闭运算，得到平滑深度图；将所述平滑深度图与虚拟剩余场景深度图在对应电池投影区域内的深度差值进行积分，得到所述凹陷体积。

本发明利用图像处理技术，将由于抓取而产生的、不利于后续操作的深坑或狭缝等死角体积进行统计，为全局揭露增益的计算提供了可靠的惩罚项依据，使得对抓取序列的优化更加精确和有效。

优选的，所述形态学闭运算使用结构元素进行操作，所述结构元素的尺寸设定为机器人吸具直径的1.2倍。

优选的，所述最优抓取目标的获取还包括：

当使用多吸头吸具时，在所述候选电池中搜索满足吸具几何约束的电池组合；计算各电池组合的全局揭露增益总和；选择增益总和最大的电池组合作为最优抓取目标。

本发明的有益效果在于：通过构建物理支撑图谱计算亚稳态支撑指数，能够预测并规避堆叠物体的静态崩塌风险；动态剪切安全指数的计算避免了机器人高速运动中抓取物滑脱的动态安全问题；通过评估全局揭露增益，对抓取序列进行预先性优化，避免陷入后续操作困境；综合考虑物理稳定性、动态安全性与长远操作便利性，提升了机器人抓取的智能化与可靠性。

附图说明

图1是示意性示出本发明中一种基于深度学习的电池装配机器人抓取方法的流程图；

图2是示意性示出物理支撑图谱示意图；

图3是示意性示出进行最终抓取策略的多维特征空间视图。

具体实施方式

本发明实施例公开一种基于深度学习的电池装配机器人抓取方法，参照图1，包括步骤S1-步骤S4：

S1：基于三维点云数据构建物理支撑图谱，并获取各电池的亚稳态支撑指数。

需要说明的是，在电池模组产线的深框堆叠场景中，以方形铝壳电芯为例的电池通常呈现无序且紧密的堆叠状态。由于电池之间存在物理接触与力的传递，仅基于视觉高度的最高点优先策略往往失效，若抓取了作为底部支撑的电池，会导致上层电池失去平衡而发生崩塌或滑落，造成电极损坏或卡死。因此，需要透过视觉表象，挖掘电池之间的物理支撑关系，分析每个电池在堆叠结构中的负载程度，从而识别出那些会引动别的电池变动的关键支撑节点。基于此，本发明构建物理支撑图谱并计算亚稳态支撑指数。

具体的，基于三维点云数据构建物理支撑图谱，并获取各电池的亚稳态支撑指数，包括：

获取电池堆叠场景的三维点云数据，利用预训练的实例分割网络识别出若干独立的电池。示例性的，所述实例分割网络为MaskR-CNN，MaskR-CNN为现有技术，在此不作赘述。

需要说明的是，视觉重叠不代表物理支撑，无力支撑须同时满足水平投影重叠与垂直紧密接触两个条件。

对任意两个电池进行空间几何分析，若上层电池在下层电池上的水平投影面积占比大于投影重叠阈值，且两者垂直方向的最小距离小于垂直接触容差，则在两者之间建立一条由下层指向上层的有向支撑边，从而构建全场的物理支撑图谱。示例性的，投影重叠阈值为0.3，垂直接触容差为，表示上层电池至少有30%的底面积投影在下层电池上，上层电池与下层电池的垂直间隙必须小于才能视为有效接触。

需要说明的是，为了精准计算崩塌风险，需要构建包含负载质量、接触面积以及层级高度的综合评价指标。在物理堆叠中，底层的电池往往承担了上层所有电池的重量；接触面积越小，局部压强越大，支撑越不稳定；且电池所处的层级越高，其势能越大，一旦失稳造成的冲击破坏力越强。因此支撑指数应与负载质量成正比，与接触面积成反比。同时，考虑到高层级电池崩塌会引起连锁反应，层级高度对风险的贡献应是指数级增长的。

在系统离线标定阶段，通过对不同材质电池壳体的摩擦实验，获取电池间的静摩擦系数；通过收集历史堆叠数据，统计堆叠高度与崩塌概率的关系，并进行回归拟合，得出层高惩罚系数，记为，示例性的，当电池表面粗糙或堆叠较稳时为0.5，当电池表面光滑或堆叠松散时，为1.0以加大对高层负载的惩罚力度。需要说明的是，所述回归拟合的方法例如logistic回归方法，为现有技术，在此不作赘述。

设定微小面积常数，记为，示例性的，。

对任意电池，获取所述电池的上层支撑电池集合，所述上层支撑电池集合是在物理支撑图谱中，所有直接或间接被所述电池支撑的上层电池的集合；采用平面拟合算法拟合出所述电池的上表面平面，获取该平面的法向量；计算所述法向量与世界坐标系垂直轴之间的夹角，记为所述电池的倾斜角度；对所述电池的任意上层支撑电池，基于物理支撑图谱，采用图遍历算法，将所述电池设为根节点，在有向图谱中向上搜索，将所述上层支撑电池到达根节点的最短路径长度，记为所述上层支撑电池相对于所述电池的相对层级高度。所述平面拟合算法是RANSAC随机采样一致性算法，所述图遍历算法是广度优先搜索算法，均为现有技术，在此不作赘述。

任意电池的亚稳态支撑指数满足表达式：

；

式中，表示第个电池的亚稳态支撑指数；表示第个电池的上层支撑电池集合；表示第个电池的第个上层支撑电池的质量；表示电池间的静摩擦系数；表示第个电池的第个上层支撑电池的倾斜角度；、表示第k个电池、第个电池的第个上层支撑电池的数据点集合；是交集符号；表示第个电池与第个上层支撑电池的接触支撑面积；表示微小面积常数；表示自然指数函数；表示层高惩罚系数；表示第个上层支撑电池相对于第个电池的相对层级高度；表示归一化函数；表示重力加速度。

式中，表示第i个上层支撑电池对第k个电池的局部压强负载，该值越大，表明单位面积上承受的压力越大，支撑关系越脆弱；引入了倾斜带来的滑移风险修正，倾角越大，修正系数越大；指数项表示势能风险放大因子，表明随着相对层高的增加，风险呈指数级增长；综合了力学负载与能量势位，从而体现了移除第k个电池可能引发的系统性崩塌风险。

需要说明的是，如图2为物理支撑图谱示意图，背景为采集的原始电池堆叠图像，图中每个圆形节点代表一个识别出的独立电池单元，节点之间的蓝色箭头连线表示推断出的物理支撑关系，箭头方向由底层支撑电池指向被支撑的上层电池，节点的颜色深浅对应亚稳态支撑指数，颜色越红表示电池承载的上层负载越重、层级越高，一旦移除引发崩塌的风险越大；颜色越浅表示负载越轻，结构越稳定。

至此，获取了各电池的亚稳态支撑指数。

S2：基于机器人运动参数与电池物理属性，获取各电池的动态剪切安全指数，并获取满足动力学稳定性的候选电池集。

需要说明的是，电池表面通常覆盖有绝缘膜或残留油膜，较为光滑，且工业机器人为了满足节拍要求，通常以高加速度运行。在这种工况下，仅依靠真空吸力往往不足以抵抗机器人加减速产生的惯性力，导致电池在吸盘下发生侧向剪切打滑甚至甩脱。因此，还需建立包含摩擦力、惯性力、重力和真空吸力的完整动力学模型，在动作规划阶段就预判滑移风险，确保抓取过程的动态稳定性。基于此，本发明构建动态剪切安全判据，进而获取满足动力学稳定性的候选电池集。

具体的，基于机器人运动参数与电池物理属性，获取各电池的动态剪切安全指数，并获取满足动力学稳定性的候选电池集，包括：

获取机器人的预设运动轨迹参数，包括法向加速度和切向加速度。

将所有亚稳态支撑指数低于预设安全阈值的电池作为初筛集合。需要说明的是，低于预设安全阈值表示对应电池并非关键支撑节点，示例性的，安全阈值是0.8。

需要说明的是，为了构建可靠的判据，需要对比抗滑移能力与致滑移外力。在抓取过程中，电池受到吸盘的吸附力，同时受到重力和机器人运动带来的惯性力，当合外力在切线方向的分量超过了最大静摩擦力时，滑移发生。抗滑移能力由最大静摩擦力决定，而最大静摩擦力等于表面摩擦系数乘以实际正压力，也是吸力减去法向惯性力；而致滑移外力由重力和切向惯性力的矢量和决定。只有前者大于后者，抓取才是安全的。因此，本发明根据抗滑移能力和致滑移外力的对比关系，获取动态剪切安全指数。

在系统离线标定阶段，通过拖拽实验测定电池表面绝缘膜与吸盘橡胶之间的静摩擦系数；获取真空发生器的额定负压值、吸盘的有效接触面积以及系统泄漏效率因子。

将真空发生器的额定负压值、吸盘有效接触面积以及系统泄漏效率因子的乘积，作为理论吸力。

任意电池的动态剪切安全指数满足表达式：

；

式中，表示第个电池的动态剪切安全指数；表示电池表面与吸盘之间的静摩擦系数；表示理论吸力；表示第个电池的质量；表示重力加速度；表示第个电池表面法向与重力方向的夹角；表示法向加速度；表示切向加速度。

式中，表示法向剥离加速度，表示重力分量与惯性力共同作用，试图将电池从吸盘上拉开的趋势；反映了由于重力分量和法向惯性力导致的脱离趋势，这会削弱吸盘对电池的有效正压力，进而降低摩擦力上限；表示有效正压力，是吸盘在克服了剥离趋势后，真正压紧电池表面的剩余力；表示在当前高加速度工况下，吸盘界面能提供的最大可用静摩擦力。表示实际作用在接触面上的切向剪切合力，包括了切向惯性力和重力的切向分量；该判据直观地反映了力的竞争关系，只有当可用摩擦力能够完全覆盖剪切合力并留有余量时，抓取才是动态安全的。

设定安全冗余阈值，记为，示例性的，在常规工况下，；在人机协作等高安全要求工况下。

将动态剪切安全指数大于安全冗余阈值的电池，标记为候选电池集。

需要说明的是，若动态剪切安全指数小于等于安全冗余阈值，系统进入迭代降速优化循环：以预设步长，例如当前加速度的10%，降低该动作规划中的法向加速度和切向加速度，并重新计算动态剪切安全指数，直至满足判据或加速度低于系统设定的最低效率阈值，此时判定为不可抓取。

至此，获取了各电池的候选电池集。

S3：基于候选电池集的模拟抓取动作构建虚拟剩余场景，并获取各抓取动作的全局揭露增益。

需要说明的是，抓取是一个连续的序列决策过程，当前的抓取动作直接决定了剩余电池的堆叠形态，如果采取贪心策略只顾当前方便，极易在堆叠中制造出深坑、狭缝或孤岛，导致后续电池虽然视觉可见，但因夹爪或吸具无法深入而无法抓取，导致可达性退化。因此本发明引入多步前瞻机制，优先选择那些能使剩余堆叠表面更加平铺开阔、增加凸性以及减少凹陷死角的动作。

具体的，基于候选电池集的模拟抓取动作构建虚拟剩余场景，并获取各抓取动作的全局揭露增益，包括：

对候选电池集中的任意电池，查询物理支撑图谱，获取所述电池的所有空间相邻电池；在内存中执行虚拟移除，将原始场景深度图中对应所述电池区域的像素值，更新为下层背景的深度值，生成虚拟剩余场景深度图。

需要说明的是，为了分析堆叠形态的优劣，本发明构建奖励表面平整、惩罚深坑凹陷的评价函数。在好的抓取动作后，周围的电池应该更多地暴露出来，面积增加，且场景中不应出现难以探入的深坑，凹陷减少。因此，将全局增益分为正向收益项和负向惩罚项，正向收益由相邻电池的新增可视面积决定，负向惩罚由场景的非凸程度决定。

定义形态学闭运算的结构元素，其尺寸依据吸具的物理尺寸设定，示例性的，结构单元是吸具直径的1.2倍，以此模拟吸具的物理尺寸限制。

对虚拟剩余场景深度图执行形态学闭运算，生成平滑深度图。需要说明的是，该操作会填平所有尺寸小于结构元素的深坑和狭缝。

设定用于平衡面积收益与地形风险的凹陷惩罚系数，记为，示例性的，当任务处于初期清理阶段，需快速暴露目标时，取较小值如10；当任务处于深框清理阶段，需避免死角时，取较大值如50。

任意电池的全局揭露增益满足表达式：

；

式中，表示抓取第个电池后的全局揭露增益；表示第个电池的邻域电池集合；表示移除第个电池后，其邻居新增的可被垂直投影覆盖的表面积；表示凹陷惩罚系数；表示第个电池对应虚拟剩余场景的投影区域；表示第个电池对应的虚拟剩余场景深度图；表示第个电池对应的平滑深度图；表示虚拟剩余场景中新增的凹陷体积。

式中，表示抓取动作带来的视野开阔度，该值越大则电池被抓取后能展露更多的电池，从而使那些压在其他电池上面的阻挡者能更早被抓取；使用形态学闭运算填平深坑的特性，体现了所有吸具无法触及的死角体积，该值越大，说明剩余场景越崎岖、越难以进行后续操作，通过减去该积分项，算法能够有效抑制那些虽然展露了面积但制造了地形陷阱的动作。

至此，获取了各抓取动作的全局揭露增益。

S4：基于亚稳态支撑指数与全局揭露增益进行多目标优选，并获取最优抓取策略。

需要说明的是，最终的抓取决策需要在物理安全性和全局可达性之间找到平衡。仅追求揭露增益可能会触碰亚稳态支撑指数较高的危险电池，而过度保守则可能导致抓取效率低下。因此本发明构建融合多目标的评价体系，在确保不发生崩塌和打滑的前提下，最大化剩余空间的可操作性。基于此，本发明进行多目标优选，并获取最优抓取策略。

具体的，基于亚稳态支撑指数与全局揭露增益进行多目标优选，并获取最优抓取策略，包括：

最优抓取策略的选择满足以下逻辑：

硬约束过滤，剔除所有亚稳态支撑指数大于安全阈值的电池，并确保保留的电池的动态剪切安全指数大于安全冗余阈值；软约束排序，在经过硬约束过滤后的剩余集合中，选择全局揭露增益值最大的电池作为最优抓取目标；多吸头协同，若使用多吸头吸具，则在所述剩余集合中搜索满足吸具几何约束的电池组合，计算所述电池组合中所有电池的全局揭露增益的总和，选择总和最大的电池组合作为最优抓取目标。示例性的，所述吸具几何约束包括吸盘间距约束和高度差容限约束。需要说明的是，动态剪切安全指数小于等于安全冗余阈值表示存在打滑风险，亚稳态支撑指数大于安全阈值表示存在崩塌风险，此类电池严禁抓取。

需要说明的是，如图3为进行最终抓取策略的多维特征空间视图，横轴为亚稳态支撑指数，纵轴为动态剪切安全指数，散点的大小与颜色深浅代表全局揭露增益，图中的红色背景区域为亚稳态支撑指数超标的崩塌风险区，橙色背景区域为动态剪切安全指数不足打滑风险区，落入这两个区域的电池被硬约束过滤，在剩余的安全白色区域中，系统根据软约束排序，选择了全局揭露增益最大的电池作为最优目标，也就是红色加粗圆圈标记的区域，并驱动机器人执行抓取。

至此，获取了最优抓取策略，并驱动机器人执行抓取任务。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。

Claims (10)

1.一种基于深度学习的电池装配机器人抓取方法，其特征在于，包括：

获取堆叠场景的三维点云数据，并识别出独立的电池；

构建包含各电池的物理支撑图谱；基于所述物理支撑图谱，获取各电池的亚稳态支撑指数，所述亚稳态支撑指数与该电池所支撑的上层电池的总质量、所述上层电池相对于该电池的相对层级高度呈正相关，与所述上层电池在所述电池上的接触支撑面积呈负相关；获取各电池的动态剪切安全指数，并筛选出亚稳态支撑指数小于设定阈值且动态剪切安全指数大于设定安全裕量的候选电池；所述动态剪切安全指数为吸盘与对应电池表面之间的最大静摩擦力与机器人运动产生的切向剪切力的差值；所述最大静摩擦力与理论吸力呈正相关，与沿吸盘法向的剥离合力呈负相关；所述剥离合力包括法向加速度分量和重力沿法向的分量；

对所述候选电池进行虚拟抓取，生成虚拟剩余场景并计算全局揭露增益；所述全局揭露增益与抓取后邻近电池新增的可视面积呈正相关，与虚拟剩余场景中产生的凹陷体积呈负相关；在所述候选电池中，选择全局揭露增益最大的电池作为最优抓取目标，并驱动机器人执行抓取。

2.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述物理支撑图谱的构建，包括：

对任意两个电池进行几何分析，若上层电池在下层电池上的水平投影面积占比大于设定的投影重叠阈值，且两者垂直方向的最小距离小于设定的垂直接触容差，则在两者之间建立由下层指向上层的支撑边。

3.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述亚稳态支撑指数还与对应电池的倾斜角度修正的静摩擦系数呈正相关；所述倾斜角度为所述电池上表面法向量与竖直方向的夹角。

4.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述亚稳态支撑指数还包含与相对层级高度呈指数关系的风险惩罚项，其中表示层高惩罚系数；表示第个上层支撑电池相对于第个电池的相对层级高度。

5.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述动态剪切安全指数满足表达式：

；

式中，表示第个电池的动态剪切安全指数；表示电池表面与吸盘之间的静摩擦系数；表示理论吸力；表示第个电池的质量；表示重力加速度；表示第个电池表面法向与重力方向的夹角；表示法向加速度；表示切向加速度。

6.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，还包括在任一候选电池的动态剪切安全指数不大于所述设定安全裕量时，执行降速优化循环：以设定步长降低所述法向加速度和切向加速度，并重新计算动态剪切安全指数，直至其大于所述设定安全裕量或加速度低于设定的最低效率阈值。

7.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述全局揭露增益满足表达式：

；

式中，表示抓取第个电池后的全局揭露增益；表示第个电池的邻域电池集合；表示移除第个电池后，其邻居新增的可被垂直投影覆盖的表面积；表示凹陷惩罚系数；表示第个电池对应虚拟剩余场景的投影区域；表示第个电池对应的虚拟剩余场景深度图；表示第个电池对应的平滑深度图；表示虚拟剩余场景中新增的凹陷体积。

8.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述凹陷体积的计算，包括：

对所述虚拟剩余场景的深度图执行形态学闭运算，得到平滑深度图；将所述平滑深度图与虚拟剩余场景深度图在对应电池投影区域内的深度差值进行积分，得到所述凹陷体积。

9.根据权利要求8所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述形态学闭运算使用结构元素进行操作，所述结构元素的尺寸设定为机器人吸具直径的1.2倍。

10.根据权利要求1所述的一种基于深度学习的电池装配机器人抓取方法，其特征在于，所述最优抓取目标的获取还包括：

当使用多吸头吸具时，在所述候选电池中搜索满足吸具几何约束的电池组合；计算各电池组合的全局揭露增益总和；选择增益总和最大的电池组合作为最优抓取目标。