机器人智能抓取系统：目前几种主流的解决方案

机器人学习中的经典问题之一便是分拣：在一堆无序摆放的物品堆中，取出目标物品。在快递分拣员看来，这几乎是一个不需要思考的过程，但对于机械臂而言，这意味着复杂的矩阵计算。

事实上，对于人类需要耗费大量时间的数理难题，用智能系统处理起来就显得十分容易，但在几乎不需要思考的情况下就能做出的分选动作，则是全世界机机器人研究专家关注的热点。

机械臂抓取需要确定每段机械臂的位姿

首先，机械臂需要视觉伺服系统，来确定物体的位置，根据末端执行器（手）和视觉传感器（眼）的相对位置，可分为Eye-to-Hand和Eye-in-Hand两种系统。

Eye-to-Hand的分离式分布，视野固定不变，如果相机的标定精度高的话，那么视觉定位于抓取的精度也越高。

Eye-in-Hand则将机械臂与视觉传感器固定在一起，视野随机械臂的移动而改变，传感器越近时精度越高，但过于靠近时则可能使目标超出视野范围。

精密的视觉系统与灵活机械臂的配合，才能完成一次完美的抓取，而这正是当前机器人操作中的核心难题，归纳起来就是这么一件事：找到合适的抓取点（或吸附点），抓住它。之后的转运执行，则属于运动规划的分支。

目前几种主流的解决方案

01、Model-based（基于模型的方法）

这种方法很好理解，即知道要抓什么，事先采用实物扫描的方式，提前将模型的数据给到机器人系统，机器在实际抓取中就只需要进行较少的运算：

1. 离线计算：根据搭载的末端类型，对每一个物体模型计算局部抓取点；

2. 在线感知：通过RGB或点云图，计算出每个物体的三维位姿；

3. 计算抓取点：在真实世界的坐标系下，根据防碰撞等要求，选取每个物体的最佳抓取点。

RGB颜色空间由红绿蓝三种基本色组成，叠加成任意色彩，同样地，任意一种颜色也可以拆解为三种基本色的组合，机器人通过颜色坐标值来理解“颜色”。这种方式与人眼识别颜色的方向相似，在显示屏上广泛采用。

CGrasp 对精密轴承的无序抓取

02、Half-Model-based（半模型的方法）

在这种训练方式中，不需要完全预知抓取的物体，但是需要大量类似的物体来训练算法，让算法得以在物品堆中有效对图像进行“分割”，识别出物体的边缘。这种训练方式，需要这些流程：

1.离线训练图像分割算法，即把图片里的像素按物体区分出来，此类工作一般由专门的数据标注员来处理，按工程师的需求，标注出海量图片中的不同细节；

2.在线处理图像分割，在人工标注出的物体上，寻找合适的抓取点。

这是一种目前应用较为广泛的方式，也是机械臂抓取得以推进的主要推力。机械臂技术发展缓慢，但计算机视觉的图像分割则进展迅速，也从侧面撬动了机器人、无人驾驶等行业的发展。

Model-free（自由模型）

这种训练方式不涉及到“物体”的概念，机器直接从RGB图像或点云图上计算出合适的抓取点，基本思路就是在图像上找到Antipodal（对映点），即有可能“抓的起来”的点，逐步训练出抓取策略。这种训练方式往往让机器手大量尝试不同种类的物品，进行self-supervisedlearning，Google的Arm Farm，即为其中的代表之一。

Google Arm Farm

值得注意的是，对于机械手而言，不同形状的物品，抓取难度有天壤之别。即便是同样形状的物体，由于表面反光度和环境光照的影响，在不同场景的抓取难度也大相径庭。从实验室到商业落地，其中有相当一段路要走。

高精密度的相机研发，是机器人“感知”物体的第一步。

实际商业场景中，最麻烦的物体总是“下一个物体”。工业机器人要真正融入实际生产体系，只有具备聪明的大脑，针对不同工况做出柔性的调整，才能拓宽工业机器人的使用场景。

（COBOT机器人大脑，新机器视觉）

声明：本网站所收集的部分公开资料来源于互联网，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。本站部分作品是由网友自主投稿和发布、编辑整理上传，对此类作品本站仅提供交流平台，不为其版权负责。如果您发现网站上所用视频、图片、文字如涉及作品版权问题，请第一时间告知，我们将根据您提供的证明材料确认版权并按国家标准支付稿酬或立即删除内容，以保证您的权益！联系电话：010-58612588 或 Email:editor@blueai.net.cn。