本發(fā)明涉及機(jī)器人控制，尤其涉及一種機(jī)器人分揀抓取控制方法。

背景技術(shù)：

1、在物流、倉(cāng)儲(chǔ)和制造業(yè)等領(lǐng)域，機(jī)器人分揀和抓取任務(wù)通常需要高精度和高效率的自動(dòng)化解決方案。傳統(tǒng)的分揀抓取主要依賴于固定的規(guī)則和機(jī)械裝置，難以適應(yīng)復(fù)雜多變的環(huán)境和物體類型。例如，傳統(tǒng)方法在處理形狀不規(guī)則、尺寸多樣化的物體時(shí)，容易出現(xiàn)抓取失敗或分揀錯(cuò)誤的情況。此外，傳統(tǒng)方法對(duì)環(huán)境變化的適應(yīng)性差，無法在復(fù)雜環(huán)境下自動(dòng)調(diào)整行為。

2、因此，如何提供一種能夠精確測(cè)量物體尺寸、智能識(shí)別物體類型，并及時(shí)優(yōu)化抓取策略的機(jī)器人分揀抓取控制方法具有重要的現(xiàn)實(shí)意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種機(jī)器人分揀抓取控制方法，以解決上述技術(shù)問題。

2、為解決上述技術(shù)問題，本發(fā)明提供一種機(jī)器人分揀抓取控制方法，包括如下步驟：

3、步驟1：校正3d相機(jī)并求出像素點(diǎn)在世界坐標(biāo)系下的坐標(biāo)；

4、步驟2：使用校正后的3d相機(jī)對(duì)待抓取物體進(jìn)行拍攝，得到所述待抓取物體的點(diǎn)云并進(jìn)行圖像處理，再通過圖像算法計(jì)算出待抓取物體的數(shù)據(jù)信息，所述數(shù)據(jù)信息至少包括所述待抓取物體的尺寸和姿態(tài)；

5、步驟3：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，將所述待抓取物體的數(shù)據(jù)信息輸入所述卷積神經(jīng)網(wǎng)絡(luò)，輸出所述待抓取物體的種類，并基于所述待抓取物體的種類進(jìn)行夾持類型判斷和夾持力計(jì)算；

6、步驟4：構(gòu)建強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)，利用強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，得到適應(yīng)不同種類待抓取物體的抓取策略模型；

7、步驟5：利用所述抓取策略模型控制機(jī)器人的分揀抓取動(dòng)作。

8、較佳地，步驟1包括：

9、步驟11：制作用于3d相機(jī)標(biāo)定的棋盤格；

10、步驟12：使用張正友標(biāo)定法進(jìn)行3d相機(jī)標(biāo)定，得到所述3d相機(jī)的內(nèi)參矩陣、畸變參數(shù)和外參矩陣；

11、步驟13：基于求得的3d相機(jī)的內(nèi)參矩陣和外參矩陣計(jì)算所述像素點(diǎn)在世界坐標(biāo)系下的坐標(biāo)。

12、較佳地，步驟2中，所述圖像處理至少包括去重和去噪。

13、較佳地，步驟2中，所述待抓取物體的尺寸表示為，姿態(tài)表示為，其中分別為待抓取物體包圍盒的長(zhǎng)寬高，為包圍盒的中心點(diǎn)坐標(biāo)，為俯仰角，是偏航角，是翻滾角。

14、較佳地，步驟3包括：

15、步驟31：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)依次包括輸入層、3個(gè)卷積層、池化層以及3個(gè)全連接層；

16、步驟32：訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)輸出所述待抓取物體的種類；

17、步驟33：通過輸出的種類得到對(duì)應(yīng)的抓取方式，并計(jì)算該抓取方式對(duì)應(yīng)的夾持力。

18、較佳地，步驟33中，輸出的種類為第一種類，則采用平動(dòng)抓取，輸出的種類為第二種類，則采取包絡(luò)抓取。

19、較佳地，所述夾持力的計(jì)算公式為：

20、，

21、其中，為夾持力，為驅(qū)動(dòng)機(jī)構(gòu)輸出扭矩或推力，為機(jī)械效率，為夾持力臂長(zhǎng)度。

22、較佳地，所述強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)為dqn，所述dqn中包含當(dāng)前網(wǎng)絡(luò)、目標(biāo)網(wǎng)絡(luò)和回訪緩沖區(qū)。

23、較佳地，所述當(dāng)前網(wǎng)絡(luò)的損失函數(shù)為：

24、，

25、其中，為反向傳播算法更新后的網(wǎng)絡(luò)參數(shù)，為一次訓(xùn)練的數(shù)據(jù)數(shù)量，為當(dāng)前的狀態(tài)和動(dòng)作，為下一步的狀態(tài)和動(dòng)作，為獎(jiǎng)勵(lì)值，為折扣因子，為帶有參數(shù)的當(dāng)前q網(wǎng)絡(luò)，為帶有的目標(biāo)q網(wǎng)絡(luò)。

26、較佳地，所述強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的獎(jiǎng)勵(lì)函數(shù)規(guī)則為：抓取到物體獲得100獎(jiǎng)勵(lì)；在抓取過程中，獲得的獎(jiǎng)勵(lì)與距離成正比；抓取失敗獲得-50獎(jiǎng)勵(lì)。

27、與現(xiàn)有技術(shù)相比，本發(fā)明提供的機(jī)器人分揀抓取控制方法具有如下優(yōu)點(diǎn)：

28、1、本發(fā)明可以精確測(cè)量物體尺寸并智能識(shí)別物體類型，在此基礎(chǔ)上能夠根據(jù)物體的形狀、尺寸和材質(zhì)動(dòng)態(tài)調(diào)整抓取策略，從而適應(yīng)物體的復(fù)雜形狀和尺寸多樣性，顯著提高抓取的成功率；

29、2、本發(fā)明可以通過強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)不斷優(yōu)化抓取策略，能夠根據(jù)環(huán)境變化自動(dòng)調(diào)整行為，適應(yīng)復(fù)雜多變的工作場(chǎng)景；強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)還允許系統(tǒng)在實(shí)際操作中不斷學(xué)習(xí)和改進(jìn)，從而更好地應(yīng)對(duì)突發(fā)情況和環(huán)境變化；

30、3、本發(fā)明能夠高效地完成分類和抓取任務(wù)，提高了整體工作效率，同時(shí)減少了對(duì)人工的依賴，降低了人力成本。

技術(shù)特征：

1.一種機(jī)器人分揀抓取控制方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的機(jī)器人分揀抓取控制方法，其特征在于，步驟1包括：

3.如權(quán)利要求1所述的機(jī)器人分揀抓取控制方法，其特征在于，步驟2中，所述圖像處理至少包括去重和去噪。

4.如權(quán)利要求1所述的機(jī)器人分揀抓取控制方法，其特征在于，步驟2中，所述待抓取物體的尺寸表示為，

5.如權(quán)利要求1所述的機(jī)器人分揀抓取控制方法，其特征在于，步驟3包括：

6.如權(quán)利要求5所述的機(jī)器人分揀抓取控制方法，其特征在于，步驟33中，輸出的種類為第一種類，則采用平動(dòng)抓取，輸出的種類為第二種類，則采取包絡(luò)抓取。

7.如權(quán)利要求5所述的機(jī)器人分揀抓取控制方法，其特征在于，所述夾持力的計(jì)算公式為：

8.如權(quán)利要求1所述的機(jī)器人分揀抓取控制方法，其特征在于，所述強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)為dqn，所述dqn中包含當(dāng)前網(wǎng)絡(luò)、目標(biāo)網(wǎng)絡(luò)和回訪緩沖區(qū)。

9.如權(quán)利要求8所述的機(jī)器人分揀抓取控制方法，其特征在于，所述當(dāng)前網(wǎng)絡(luò)的損失函數(shù)為：

10.如權(quán)利要求9所述的機(jī)器人分揀抓取控制方法，其特征在于，所述強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的獎(jiǎng)勵(lì)函數(shù)規(guī)則為：抓取到物體獲得100獎(jiǎng)勵(lì)；在抓取過程中，獲得的獎(jiǎng)勵(lì)與距離成正比；抓取失敗獲得-50獎(jiǎng)勵(lì)。

技術(shù)總結(jié)
本發(fā)明涉及一種機(jī)器人分揀抓取控制方法，包括步驟1：校正3D相機(jī)并求出像素點(diǎn)在世界坐標(biāo)系下的坐標(biāo)；步驟2：對(duì)待抓取物體進(jìn)行拍攝，得到待抓取物體的點(diǎn)云并進(jìn)行圖像處理，再通過圖像算法計(jì)算出待抓取物體的數(shù)據(jù)信息；步驟3：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，將待抓取物體的數(shù)據(jù)信息輸入卷積神經(jīng)網(wǎng)絡(luò)，輸出待抓取物體的種類，并基于待抓取物體的種類進(jìn)行夾持類型判斷和夾持力計(jì)算；步驟4：構(gòu)建強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)，利用強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，得到適應(yīng)不同種類待抓取物體的抓取策略模型；步驟5：利用抓取策略模型控制機(jī)器人的分揀抓取動(dòng)作。本發(fā)明可以精確測(cè)量物體尺寸并智能識(shí)別物體類型，基于物體類型調(diào)整抓取策略，從而顯著提高抓取的成功率。

技術(shù)研發(fā)人員：白國(guó)超,袁浩林
受保護(hù)的技術(shù)使用者：知行機(jī)器人科技（蘇州）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15