35、基于机器学习的自动化装配抓取方法评估

基于机器学习的自动化装配抓取方法评估

在制造业中，基于机器人的自动化趋势已持续多年。从 2013 年到 2018 年，新机器人安装数量平均每年增长 19%。这主要是由于质量标准提高和劳动力成本上升带来的高竞争压力。然而，随着产品生命周期缩短和批量变小，经济自动化变得愈发困难，这对技术的灵活性和自主性提出了更高要求。特别是在装配环节，自动化程度通常较低，因为产品变体的生成往往尽可能后移到最终装配阶段，以减少其影响。因此，机器人与环境的灵活交互成为关键挑战，它需要能够处理各种位置和方向未知的组件，同时还要保证实施成本的经济性。

一、当前研究现状

智能机器人基于传感器感知环境的能力是其基本能力。基于视觉系统的自主或半自主抓取是机器人技术的一个重要分支，能极大提高机器人应用的灵活性。视觉抓取过程可分为三个子步骤：抓取检测、轨迹规划和抓取执行。这里主要关注抓取检测这一步，它又可细分为以下三个子问题：

（一）目标定位

目标定位任务可进一步分为单纯定位和包含目标类别检测的定位。由于操作需要目标的空间信息，这里仅介绍 3D 定位方法，通常使用 RGB - D 相机，它能在提供 RGB 图像的同时提供深度数据。
- 单纯定位 ：适用于立方体或圆柱体等简单物体，可通过结合形状基元与三角网格来改进方法，以适应更多类型的物体。
- 显著目标检测 ：对形状无限制的目标定位，许多方法以图像像素为输入，也可使用显著特征向量作为卷积神经网络（CNN）的输入，学习不同显著特征的组合来识别显著目标。检测输出为目标的 3D 边界框和类别标签，可通过如 ImVoteNet 顺序检测，也可使用 3DSS