基于卷积神经网络的机器人抓取检测研究

• 作 者: 金欢
• 出 处: 哈尔滨工业大学
• 发表日期: 2020年02期
• 关键词: 卷积神经网络 目标检测 抓取矩形 机器人抓取检测

随着社会的发展和老龄化问题的不断加剧,服务机器人在家庭服务、仓储物流、物业安防等众多领域中的应用日益广泛。机器人与环境最主要的交互方式是抓取,因此对于服务机器人抓取问题的研究十分必要。不同于工业机器人,服务机器人通常面临的是非结构化且较为复杂的环境,传统的基于数据驱动的抓取方法严重依赖物体的三维模型,而服务机器人通常面对的是未知物体,难以获得物体准确的三维模型。因此,针对上述问题,本课题对非结构化环境下服务机器人的抓取问题展开了研究,将抓取任务看成是检测问题,提出了单目标的抓取检测网络和多目标抓取检测网络,实现了较为可靠的抓取检测效果,并搭建了机器人自主抓取仿真与实验平台,验证了所提方法的性能。首先,研究卷积神经网络的基础理论,探究构成卷积神经网络各个部分的基本原理和搭建方法。随后研究不同的端到端目标检测算法,从准确率、实时性等方面分析不同算法的性能,为后续抓取检测网络模型的搭建和改进提供依据。基于卷积神经网络设计单目标抓取检测网络。首先确定机器人的抓取参数模型,改进用于目标检测的darknet19网络,提出直接采用回归方式输出抓取参数的抓取检测网络模型,可以避免耗时的滑窗算法,大大加快网络前向预测速度。基于单目标抓取检测网络模型存在的提取特征能力较差、输出标签平均值、模型震荡以及仅针对单目标物体等问题,研究多目标的抓取检测方法。首先采用ResNet50网络的卷积层作为特征提取器,增强特征提取能力,并采用额外的卷积层替换掉全连接层作为网络输出,减少模型参数。随后借鉴YOLO思想,将原始图像分为多个单元,每个单元对应一组抓取概率和抓取参数,避免网络模型收敛为标签的平均值。针对模型训练过程不稳定的问题,对所有的输出参数进行归一化处理。最后,融合目标检测与抓取检测两种方法,实现多目标抓取检测。最后,搭建机器人自主抓取的仿真和实验平台,验证所提算法的可行性并评估两种算法的性能。