[发明专利]基于立体视觉的机器人欠驱动手自主抓取方法

说明书

技术领域

本发明涉及一种机器人自主抓取方法。

背景技术

自主抓取一直以来都被认为是机器人智能化的一个基本组成部分。目前的机器人基本 上都采用主从操作的方式，操作人员通过操作杆控制机器人完成抓取任务。这种操作方式 要求操作人员需经过专业的训练，而且操作费时费力，因此研究一种自主抓取方法显得尤 为重要。

PlinioMoreno等人提出一种使用支持向量机学习物体可抓取点的方法，使用SVM对 点云中的可抓取部位的局部特征进行学习，通过训练以后，他们的算法可以找出物体的可 抓取部位和不可抓取部位。为了验证训练结果，他们在OCRA仿真器中进行抓取仿真。 为了减少对机器学习模型的训练的工作量，Bohg等人提出采用合成图像进行训练的方法。 他们通过提取物体的shapecontext特征，并采用支持向量机的机器学习方法。实验过程中， 分别采用了线性分类器和非线性分类器两种机器学习模型，并对这两个分类器进行对比， 实验结果表明，结合了shapecontext特征和非线性分类器的算法能够更好地找到物体的抓 取点。然而上述算法需要事先得到物体的三维模型，而在实际生活中这是不现实的，因此 上述算法有一定的局限性。且以上算法均基于对于一个抓取点的情况进行研究，规划出来 的抓取点被认为是执行器的中心位置。而多个抓取点的情况是要求规划出执行器与物体的 多个接触点，其结果更易用于在实际的抓取控制当中。同时，多个抓取点的规划方法同时 考虑了抓取过程的力封闭性原则和抓取稳定性，因此获得的抓取点的抓取成功率更高，因 此受到广大研究人员的青睐。

韩峥等人提出了一种基于Kinect的目标抓取方案。在他们的实验研究中，将Kinect 固定在天花板上，能够得到一个固定的抓取场景，当有新物体出现时，采用背景相减法能 快速得到物体点云信息。为了将人在放置物体时人手产生的点云的影响消除，采用帧查法 对人手的运动进行判别，当人手离开后才识别物体点云。同时，通过简单的几何运算计算 出物体抓取点。Vassilios等人提出了一种对平面物体的抓取点的选取方法，将物体形状 的不确定性考虑到规划过程中，可以计算出抓取方案是否满足满足力封闭性原则。并提出 了一个抓取质量矩阵，在存在物体形状误差和手指放置位置误差的情况下，通过抓取质量 矩阵可以识别出抓取的稳定区域。然而上述方法只能获得物体一个面的信息，因此只能对 简单的物体进行识别，而对复杂的物体则不能获得其相应的抓取点。

自主抓取系统的核心是抓取规划器的建立。目前很多研究人员采用了有教师的机器学 习方法进行抓取规划，过对三维图片进行处理，计算边界上的点的特征，进而采用支持向 量机对提取的特征进行机器学习。使用上述方法提取的特征考虑了抓取过程的力封闭性、 稳定性和碰撞性，并且提取的都是物体的局部信息，因此具有通用性可以抓取其他的物体。 然而由于其获得的抓取点都位于物体的边界上，当抓取方形的物体时，其抓取点都位 于方形物体的楞上，因此抓取很不稳定。且上述方法采用支持向量机或者神经网络的方法， 只能给出分类的结果，而不能给出属于这一类的概率，因此无法进一步获得其最优的抓取 点。

发明内容

本发明为了解决目前的机器人抓取方法需要事先得到物体的三维模型才可求解抓取 点的问题和目前的机器人抓取方法只能对简单的物体进行识别，而对复杂的物体则不能 获得其相应的抓取点的问题。

基于立体视觉的机器人欠驱动手自主抓取方法，包括下述步骤：

步骤1、针对所要抓取的物体及其环境，通过Kinect传感器获取物体及环境的RGB-D 点云，并对点云进行滤波处理；

步骤2、针对RGB-D点云，提取法向量夹角特征、共面特征、距离特征、抓取稳定 性特征及碰撞检测特征和相应的约束方程；

(1)法向量夹角特征：

在抓住物体时，欠驱动手的两指是对称的，两指的分支点为O″，假设两指与物体的接触点为点C₁与点C₂，C₁与C₂的连线为中点与O″的连线与物体表面的交点记为O，n₁、n₂分别为点O、C₁处的法向量，n₁、n₂的夹角为α；