提高機器人機械手拾取靈活性的方法

風裡雨里，我在這裡等你～

美國加州大學伯克利分校的研究人員提出Dexterity網路（Dex-Net）4.0數據集生成模型，用以為特定夾具提供訓練數據，配合新的學習策略，為機器人賦予通用拾取能力。

通用拾取能力是機器人快速可靠地抓取各種新物體的能力，對機器人在倉儲、製造、零售等領域的應用至關重要。機器人受其感知和控制的局限，獲得通用拾取能力比較困難。如感測器雜訊和遮擋會影響對周圍物體幾何形狀和位置的判斷，也無法直接獲得質量和摩擦等物理參數，且不精確的致動和校準導致機器人手臂定位不準確。為此，研究人員提出了Dex-Net 4.0數據集生成模型，採用物理和幾何分析模型的域隨機化訓練產生數據集，用於訓練一組特定夾具。訓練時，採用拾取質量卷積神經網路演算法，將扳手阻力作為獎勵函數，利用馬爾可夫決策過程生成拾取動作。試驗中，用Dex-Net 4.0從大量三維物體中產生500萬個合成深度圖像，訓練平行鉗口和真空吸盤式抓手。結果表明，使用Dex-Net 4.0訓練數據和新的學習策略的機器人連續拾取了25個新物體，可靠性大於95％。

這項研究為賦予機器人通用拾取能力提供了有效方法，所設計的拾取質量卷積神經網路還可用於其他感測器與工具，如相機與夾子等。

（藍海星）

文章推薦

想了解更多國外國防戰略、軍事工業、裝備發展、前沿技術相關研究，請關注藍海星智庫微信公眾號：SICC_LHX

歡迎轉載，轉載請註明出處。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！