基于點云相機的機械臂抓取位姿生成方法研究 |
論文目錄 | | | 摘要 | 第1-6頁 | | Abstract | 第6-13頁 | | 第1章 緒論 | 第13-21頁 | | 1.1 研究背景及意義 | 第13-14頁 | | 1.2 國內外研究現狀 | 第14-19頁 | | 1.2.1 抓取位姿生成的研究現狀 | 第14-18頁 | | 1.2.2 深度學習的研究現狀 | 第18-19頁 | | 1.3 研究內容 | 第19-21頁 | | 第2章 機械臂抓取系統框架與基本模塊 | 第21-33頁 | | 2.1 機械臂抓取系統框架 | 第21-22頁 | | 2.2 點云相機 | 第22-27頁 | | 2.2.1 針孔相機模型 | 第22-24頁 | | 2.2.2 結構光技術原理 | 第24-25頁 | | 2.2.3 機械臂手眼標定 | 第25-27頁 | | 2.3 機械臂與夾具的型號和參數 | 第27-28頁 | | 2.4 深度神經網絡 | 第28-32頁 | | 2.4.1 激活函數 | 第28-29頁 | | 2.4.2 卷積層 | 第29-30頁 | | 2.4.3 池化層 | 第30頁 | | 2.4.4 全連接層 | 第30-31頁 | | 2.4.5 歸一化層 | 第31頁 | | 2.4.6 代價函數 | 第31頁 | | 2.4.7 反向傳播算法與梯度下降法 | 第31-32頁 | | 2.5 本章小結 | 第32-33頁 | | 第3章 垂直于桌面的抓取位姿生成方法 | 第33-45頁 | | 3.1 抓取生成算法流程 | 第33-34頁 | | 3.2 待抓物體圖像的預處理 | 第34-37頁 | | 3.3 抓取位姿候選采樣算法 | 第37頁 | | 3.4 基于抓取質量卷積神經網絡的抓取位姿候選評分 | 第37-43頁 | | 3.4.1 神經網絡的結構 | 第37-38頁 | | 3.4.2 神經網絡訓練 | 第38-40頁 | | 3.4.3 訓練結果分析 | 第40-43頁 | | 3.5 本章小結 | 第43-45頁 | | 第4章 多方向的抓取位姿生成方法 | 第45-55頁 | | 4.1 多方向抓取位姿生成算法介紹 | 第45-46頁 | | 4.2 點云圖像的預處理 | 第46-49頁 | | 4.2.1 隨機采樣一致性算法 | 第46-48頁 | | 4.2.2 統計濾波法去除離群點 | 第48-49頁 | | 4.3 抓取位姿候選采樣算法 | 第49-52頁 | | 4.3.1 抓取生成問題的相關參數描述 | 第49頁 | | 4.3.2 抓取候選采樣流程 | 第49-51頁 | | 4.3.3 抓取點的隨機采樣方法 | 第51-52頁 | | 4.4 基于抓取質量卷積神經網絡的候選評分 | 第52-53頁 | | 4.5 本章小結 | 第53-55頁 | | 第5章 基于二指夾具的抓取生成算法測試 | 第55-63頁 | | 5.1 抓取系統環境搭建 | 第55-59頁 | | 5.1.1 ROS操作系統 | 第56頁 | | 5.1.2 點云相機內參標定 | 第56-59頁 | | 5.2 抓取位姿生成算法測試結果 | 第59-61頁 | | 5.2.1 垂直于桌面的抓取位姿生成算法測試結果 | 第59-60頁 | | 5.2.2 多方向的抓取位姿生成算法測試結果 | 第60-61頁 | | 5.3 本章小結 | 第61-63頁 | | 第6章 工作總結與展望 | 第63-65頁 | | 6.1 工作總結 | 第63頁 | | 6.2 未來工作展望 | 第63-65頁 | | 參考文獻 | 第65-69頁 | | 致謝 | 第69-71頁 | | 在讀期間發表的學術論文與取得的研究成果 | 第71頁 |
|
|
|
| |
