范永祥作者

灵巧工业机器人(一)抓取

概述:

机器人广泛应用于工业生产的加工和装配等各个领域。传统的工业机器人需要通过复杂的标定和预编程来完成任务。近年来,自动化水平的发展对机器人在不确定环境下执行复杂任务提出了更高的要求。因而机器人机械手的灵巧性受到更多的关注。本课题旨在工业机器人的灵巧性研究。这其中包括

1. 工业机械手/灵巧手的智能实时抓取;

2. 灵巧手的手内操控;

3. 工业机器人强化学习与智能装配。

1. 工业机械手/灵巧仿生手的智能实时抓取

1)工业机械手智能实时抓取

工业机械手拥有特殊设计的夹具结构以及与工件较大的接触面积,故而在工业装配中有着广泛应用。一个典型的工业机械手如图1.1.1(左)所示。传统工业需要预先标定机械手在工件上的抓取位置,因而效率较低,人力成本高。本研究提出了一种“迭代表面拟合”算法,如图1.1.1(右)所示。

图1.1.1. (左)本课题所使用机械手,(右)迭代表面拟合示意图。(右a)夹具表面点阵与物体点云的对应匹配,(右b)表面拟合优化确定夹具转换矩阵和伸缩长度。

图1.1.2. 抓取规划框图。迭代表面拟合根据初始采样点搜索合适的抓取姿态,不同的抓取姿态通过轨迹规划筛选确定最优抓取点。初始点的采样权值根据抓取姿态的分数更新。

迭代表面拟合算法进一步的被应用到工业机械手的抓取中,规划框图如1.1.2所示。该算法实现了稳定的实时自动抓取,抓取姿态规划速率在0.1秒以内。本算法可以实现杂乱环境下的多个未知物体的实时抓取,如图1.1.3所示。该课题获得了国际自动化科学与工程会议(CASE2018 )的最佳应用论文。目前该课题成功实现了与深度网络的分层规划,使得多物体抓取效率进一步提高,如图1.1.4.所示。论文下载地址: 

https://arxiv.org/abs/1803.11290

图1.1.3. 工业机器人抓取实验。实验中多个物体堆放在一起。该算法直接在原点云图上寻找最优抓取点,对点云的噪音、空洞鲁棒,并且无需分割不同的物体。

图1.1.4. 该算法与深度学习结合的分层规划图例。(上)多个物体重叠的杂乱环境,(中)深度图和神经网络输出,(下)机器人的实际抓取图。深度学习用于搜索适合抓取的区域,而迭代表面搜索算法用于规划具体的抓取姿态。

2) 灵巧手的智能实时抓取

深度学习在简单夹具的抓取中获得了巨大成功,而灵巧手以其多关节的特性难以使用深度学习规划抓取点,如图1.2.1(左)所示。该研究提出了一种“手指分裂”算法,成功的将深度学习获得的简单平行夹具的抓取信息转化到灵巧手上。该算法从平行夹具的抓取点出发,通过提出的接触优化-手掌优化的循环优化策略,实时的分裂出多个抓取点,探索物体表面以提高抓取质量,如图1.2.1(右)所示。该算法目前应用到搜索不同形状不同大小功能的物体抓取中,如图1.2.2所示。在物理仿真引擎Mujoco的测试显示该算法可以显著提高抓取成功率,如图1.2.3所示。该算法对抓取质量的提高通过多种不同的抓取质量测量方法验证,如图1.2.4所示。该课题成果已发表至国际机器人与系统会议(IROS2018)上。论文下载地址:

https://arxiv.org/abs/1804.00050

图1.2.1. (左)多关节灵巧手示意图,(右)基于接触优化-手掌优化的循环优化的手指分裂算法。(右a)平行夹具抓取点的直接映射,(右b)接触优化用于搜索物体表面获得更高的抓取质量,(右c)手掌优化用于保持接触点并调整手掌姿态以获得更高的操作性能。

图1.2.2. 抓取规划仿真结果,本算法适用于不同种类不同形状的物体。

图1.2.3. 抓取的物理仿真结果。(上)平行手指的简单映射抓取,抓取失败,(下)手指分裂算法得到的抓取结果,抓取成功。

图1.2.4. 抓取质量提高图。手指分裂算法在不同的抓取质量测量方法下均有提高。

(未完待续)

ControlPlusAI
ControlPlusAI

分享机器人控制和AI领域里的一些知识和感想,偏学术。由来自UC Berkeley, Stanford, CMU的研究者们原创撰稿。

理论工业机器人
2
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

映射技术

映射指的是具有某种特殊结构的函数,或泛指类函数思想的范畴论中的态射。 逻辑和图论中也有一些不太常规的用法。其数学定义为:两个非空集合A与B间存在着对应关系f,而且对于A中的每一个元素x,B中总有有唯一的一个元素y与它对应,就这种对应为从A到B的映射,记作f:A→B。其中,y称为元素x在映射f下的象,记作:y=f(x)。x称为y关于映射f的原象*。*集合A中所有元素的象的集合称为映射f的值域,记作f(A)。同样的,在机器学习中,映射就是输入与输出之间的对应关系。

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。

工业机器人技术

工业机器人是面向工业加工制造的可自动控制,多用途,需有三轴及以上可编程的固定或可移动机械手。其系统中包括带有执行机构的机械手以及示教控制器。 它可以依靠自身控制能力来执行预设的轨迹及动作。典型应用包括焊接,刷漆,组装,采集和放置等工作。工业机器人完成工作具有高效性,持久性和准确性。目前常用的工业机器人包括关节机器人,SCARA机器人,并联机器人和直角坐标机器人等。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~