摘 要

机器视觉已在机器人抓取领域得到了广泛应用，新兴的深度学习技术为自动抓取拓展了一个新的发展方向，机器人也进入了更为智能的时代，本文将以机器人自动抓取系统中涉及到的技术要点为对象进行研究。

机器的自动抓取是提升机器人智能化程度的重要一环，针对当前生产智能化要求越来越高的背景，本文围绕机器人自动抓取系统具体说明其实现方式，并将其中体现系统智能化特点的部分进行重点研究。机器人自动抓取系统工作中的主要环节有两个：识别与抓取。在系统相关的技术要点上，首先以详细的理论知识作为铺垫，解释了抓取系统能够识别目标的原理，介绍了提高识别成功率的方法。针对系统的抓取环节，重点研究了抓取前的调试工作和抓取动作的规划方式，较重要的相机标定、手眼标定以及运动学的建模都在文中做了详细的理论铺垫和计算推导。借助实验室内成熟的机器人抓取实验平台，对多种物品进行了识别和抓取实验，并基于实验数据完成了对实验结果的分析总结。

关键字：机器视觉；自动抓取；深度学习；标定；运动学建模

Abstract

Machine vision has been widely used in the field of robot grasping, moreover, the deep learning method has expanded a new direction for the development of the robotic grasp. Robots have also entered a more intelligent era This article researches on the technical points involved in the robot's automatic grasping system.

The automatic grasping of the machine plays an important part in improving the intelligence of the robot. In view of the current background that requires for the increasing production intelligence, this article focuses on robot automatic grasping system and aims to explain specifically its implementation, and researches on the part that reflects the intelligent characteristics of the system. There are two main links in the work of the robot automatic grasping system: recognition and grasping. On the technical points related to the system, firstly, the detailed theoretical knowledge is used as the foundation, the paper explains the principle that the grasping system can identify the target, and introduces the method of improving the recognition success rate. For the grasping link of the system, this article researches the debugging before grasping and the planning method of grasping action. Important parts including camera calibration, hand-eye calibration and kinematics modeling, all show detailed theoretical foreshadowing and computational derivation. Finally, with a forming robot grabbing experimental platform, this paper carries out the experiments of identification and grasping of various objects, and completes the analysis and summary of the experimental results based on the experimental data.

key words: Machine vision; automatic grasping; deep learning; calibration; kinematics modeling

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 背景及意义 1

1.2 国内外研究现状 1

1.2.1 国外研究现状 1

1.2.2 国内研究现状 3

第二章 卷积神经网络和数据集 4

2.1 卷积神经网络 4

2.1.1 卷积层 4

2.1.2 池化层 5

2.1.3 全连接层 5

2.2 训练方式 6

2.3 康奈尔数据集 7

2.4 本章小结 8

第三章 相机标定及系统手眼标定 9

3.1 相机标定概述 9

3.2 标定法分类 9

3.3 相机标定过程 10

3.4 机器人手眼标定 13

3.5 本章小结 14

第四章 机器人正逆运动学建模 16

4.1 UR5机械臂 16

4.2 正运动学求解 17

4.3 逆运动学求解 18

4.4 本章小结 19

第五章 实验 20

5.1 实验过程 20

5.2 实验结果分析 21

5.3 本章小结 22

总结和展望 24

致 谢 25

参考文献 26

第一章 绪论

1.1 背景及意义

机器人技术经过不断的发展，如今已经和传统的格局完全不同，按照智能化程度划分，如今的机器人已经发展为第三代智能机器人，此类机器人能够进行自主学习和推理，具备极高的灵活性，而机器人的自动抓取作为机器人智能化的重要环节，在技术层面也完成了革新，找到了新的发展方向。

按照如今工业生产的现状，生产步骤愈加复杂，生产的过程也更加灵活，市场对于柔性生产的要求与日俱增，抓取作业若是仍然停留在依靠代码编程完成固定动作的水平，在非结构化的环境中已经派不上用场了，传统的机器人抓取作业严重依赖于抓取任务的可重复性和机器人工作环境的结构化程度，为了使抓取作业能够适应更高的生产要求，就需要寻求更为智能化的系统。前沿的机器人抓取系统已经依靠机器视觉和深度学习技术让机器人抓取领域完成了技术革新，抓取作业也进入了一个新时代。

机器视觉技术为机器人模拟出视觉，使抓取系统能够借助视觉信息适应、感知作业环境并在环境中开展相关操作。同时还能够赋予机器人动态作业的能力，让其能够胜任目前机器人抓取领域所要求的动态生产工艺^[1]。此类智能机器人拥有更加广阔的应用渠道和发展空间，在汽车、电子、机械等制造工业部门以及医学、军事等领域都有着广泛的需求。