工业齿轮位姿判断（1）

工业机器人大量应用在零件识别、抓取和现场巡检的制造环节、场景，机器人对零件的姿态识别技术已经成为智能制造领域中的重要一环。由于零件的位姿容易受到零件的种类、光照变化、遮挡等条件的影响，因此确定零件的位姿很具有挑战。现阶段的机械臂抓取工作主要分为以下几种：

（1）基于传统算法的物体抓取机制。优先寻找物体轮廓，进而判断物体摆放方向，并根据形状估计物体中心位置的方式。如梁等人通过SURF(Speeded Up Robust Features)提取特征重建场景点云，然后利用ICP(Iterative Closest Point)调整确定物体位姿信息。此类算法精确度高，但是相较于其他方法，算法成本较高且耗时较长。

（2）基于模板匹配的物体抓取机制。首先设置好可成功抓取物体的位姿信息作为模板，然后利用深度神经网络将图像和模板匹配，进而得到物体的抓取位姿。现有的方法，多是在基于二维图像的目标检测网络的基础上，新增位姿估计的分支，将提取的物体几何信息与已有模板库中的几何信息进行匹配，进而得到物体的6D位姿信息，供机器人实现抓取。如PoseCNN,SSD-6D,Deep-6DPose,此类方法在公开数据集上表现不错，然而，算法性能受数据集质量的影响较大，需要模板库中可成功抓取的姿势足够全面。且对遮挡或截断场景缺少相应的学习，在实际抓取时，抓取成功率将会受到影响。

（3）基于最优抓取框的抓取机制。现实场景中的抓取工作，需要传递给机器人的是抓手的抓取位置和旋转角度，反应到2D图像中，就是目标表面上的一个长方形抓取框。抓取某个物体，可能有多种抓取姿势，所以需要在生成的若干个抓取框中，筛选出最符合认知的抓取姿势。Umar Asif等人提出的GraspNet , Jeffrey Machler等人提出的Dex-Net,Joseph Redmon等人提出的基于卷积的机器人实时抓取工作就是基于上述方式，并且都在Cornell数据集上获取了不错的效果。但此种方法局限于平面抓取，在一些特定的专区环境中很难适用。