CN115909197B 一种基于注意力机制的多尺度融合机器人抓取检测方法 （浙江大学）

US2020273192A1,2020.08.27一种基于注意力机制的多尺度融合机器人本发明公开了一种基于注意力机制的多尺的背景信息的影响，提高了抓取检测模型的效式，进一步推动了机器人抓取检测的智能化过2对数据集进行数据预处理，包括图像数据预处理及标注参数预处理，根据训练得到的抓取检测模型，利用预处理之后的真实图像数据作所述抓取检测模型包括前端的特征提取器和后端的抓取预测器；其通道特征提取层，采用超大卷积核和深度可分离的构建方法，用于分RBF多尺度感受层，由若干层残差模块和RBF模块构成，标注参数处理包括：对抓取数据集的标签包括一系列的抓取位姿，每一个2.根据权利要求1所述的基于注意力机制的多尺度融合机器人抓取检测方法，其特征在于，所述抓取数据集包含当前已公开的Cornell抓取检测数据集和Jacquard抓取检测数3.根据权利要求1所述的基于注意力机制的多尺度融合机器人抓取检测方法，其特征4.根据权利要求1所述的基于注意力机制的多尺度融合机器人抓取检测方法，其特征34[0003]机器人的抓取力远远落后于人类的表现，并且是机器人领域中尚未解决的问当人们看到新颖的物体时，他们可以根据自己的经验本能地快速轻松地抓住任何未知物械手的各种参数，通过设计符合稳定性和灵活性等条件的力闭合约束条件来限定抓取位满足力闭合条件时物体被夹具夹住，并在静摩擦力的作用下使得物体不再发生位移或旋5[0012]根据训练得到的抓取检测模型，利用预处理之后的真实[0013]上述技术方案中，所述抓取检测模型包括前端的特征提取器和后端的抓取预测失问题，RBF模块利用多分支卷积层扩张和合并以及不同的大小的空洞卷积模拟人类感受[0018]进一步地，所述抓取数据集可以包含当前已公开的Cornell抓取检测数据集和6[0031]图3为本发明提供的一种基于注意力机制的多尺度融合机器人抓取检测方法的流[0032]图4为本发明实施例中基于注意力机制的抓取检测模型在实际物体上的测试结[0034]如图1所述为本申请的实施例的基于注意力机制的抓取检测模型整体结构示意提取RGBD的特征，同时采获取较大感受野，深度可分离的设计进一步降低模型的参数量；7CPUE5_2699Cv4@2.20GHz,GPU为NVIDIA[0041]如图2所示为本申请的实施例抓取位置表示方法示意图，该抓取表示方法适用于[0042]参见图3，为本申请实施例示例性示出的一种基于注意力机制的多尺度融合机器[0043]步骤S1.收集抓取数据集(Cornell抓取数据集和Jacquard抓取数据集)以及数据[0044]步骤S2对数据集进行数据预处理操作，使处理后的数据满足模型的输入输出需寸转换成300*300以适应模型的需求，其次将RGBD四通道的图像数据进行归一化的处理以8[0047]步骤S3构建抓取检测网络模型。本发明中的抓取检测网[0048]步骤S4使用Cornell抓取数据集和Jacquard数据集进行模型训练和测试，本发明始化，从而根据损失的梯度优化模型各个层的参数。在本发明中优化器的学习率设置为[0054](2)预测的抓取矩形与数据集中所标注的抓取矩形的Jacquard系数大于25%;别为97.73％和92.79在参数为09积可提取具有多尺度特征融合的特征图，抓取模型可以有效综合全局和局部的特征信息，[0063]对所公开的实施例的上述说明，使本领域专业技术人