​
​

活动地址：CSDN21天学习挑战赛

1.针对问题

• 无序抓取
  • 识别：RGB图像、点云技术（采集环境信息、坐标系相互转换）
  • 预测：机器学习（根据图像信息预测最佳抓取位姿）
  • 抓取：运动学逆解（根据最佳抓取位姿、防碰撞要求进行轨迹规划）
    • 抓取规划子系统
    • 控制子系统
• Bin-picking：箱中取物问题，机器人操作中的“圣杯问题”
  • 物体混杂堆叠
  • 检测识别困难
  • 操作空间有限
• 物体紧密堆叠：夹爪空间不足，无法直接抓取

2.方案

• 加入辅助动作来辅助抓取
• 面对紧密排列物体，机械臂夹持器无法伸入进行抓取，有效的办法是先进性推动将物体打散，在此基础上再进行抓取
• 好处：可以大幅提升抓取完成度和抓取成功率
• 缺点：增加了抓取和推动动作的选择推断，加大了推理计算量，降低了运行速度，整体速度较慢

3.难点

• 推动的空间自由度较多，并且没有现成的软件包可以进行辅助，难以进行学习和训练，所涉及的论文采用的推动均是简单的平面推动，并且是离散程度很大的方向（将360°等分成了36份）上进行规定好的距离的推动
• 除了推动动作外，还可以引入翻转、堆叠等辅助动作，可研究范围广，但难度大
• 网络过深后训练和推理耗时都过大，难以部署；如果网络不够深，会导致抓取效果不理想，达不到应有的效果
• 不同动作影响程度不同，需要人为引入权重因子，并进行不同程度的学习，将来可以通过元学习的方式进行权重学习，对不同重要程度的动作，进行不同时长的学习，构建不同复杂度的模型