【机器人抓取检测技术的国内外研究现状文献综述2900字】

机器人抓取检测技术的国内外研究现状文献综述目录TOC\o"1-3"\h\u18141机器人抓取检测技术的国内外研究现状文献综述 1232831.1抓取感知研究现状 1300971.2任务相关的机器人抓取研究现状 413131参考文献 5机器人抓取一直是机器人领域的研究热点，抓取操作是一项综合协同的行为，因此需要感知、决策和执行三方面的配合。随着视觉传感器和GPU等硬件设备性能的不断增强，以及深度学习在计算机视觉领域的广泛应用，越来越多的科研机构和开发工作者在机器人的抓取研究中投入巨大精力，并提出很多提高机器人抓取性能的方法。考虑到机器人上层的决策部分，本节将主要从机器人物品抓取检测研究现状，以及机器人抓取方法的研究现状两方面展开介绍。1.1抓取感知研究现状图1-3OrientedanchorboxFig.1-3Illustrationofthetorientedanchorboxmechanism图1-2两阶段检测过程示意图Fig.1-2Illustrationofthetwo-stagedetectionprocess图1-3OrientedanchorboxFig.1-3Illustrationofthetorientedanchorboxmechanism图1-2两阶段检测过程示意图Fig.1-2Illustrationofthetwo-stagedetectionprocess图1-4Dexnet2.0数据集图1-5实验实例化的贝叶斯网络Fig.1-5ExperimentallyinstantiatedBayesiannetwork图1-5实验实例化的贝叶斯网络Fig.1-5ExperimentallyinstantiatedBayesiannetwork图1-6面向任务的抓取网络Fig.1-6Thetask-orientedgraspingnetwork(TOG-Net)1.2任务相关的机器人抓取研究现状图1-6面向任务的抓取网络Fig.1-6Thetask-orientedgraspingnetwork(TOG-Net)最优抓取的选择通常是由要执行的具体任务决定的，这就导致了任务导向抓取的研究。机器人成功地完成一项抓取任务需要同时考虑抓取的鲁棒性和操作的适用性。利用外部力矩稳定地抓取物体而不使其掉落是以往抓取研究的主要内容。然而在实际应用场景中，抓取问题将被置于操作任务中考虑，此时仅满足稳定性约束的抓取规划器已不足以满足与任务相关的要求。为了把握新物品，完成后续任务，既有分析方法，也有经验方法。分析方法根据抓取稳定性或任务要求的运动学和动力学公式来选择手指位置和手部构型，经验方法使用学习算法来选择依赖于特定任务和目标物品的几何形状的抓取。以往的研究大多集中在几何约束上，利用任务空间开发了面向任务的抓取质量的度量[21],[22]。Song等人[23]用一组给定的物品和动作属性定义了约束函数，并使用贝叶斯网络建模物品、动作、约束特征和任务之间的关系，如图1-5所示。然而，该方法需要一个物体的三维模型，这在现实场景中是具有挑战性的。基于机器人力学的算法可能会产生更稳定和准确的任务兼容抓取，但这些方法通常需要完整的物体三维模型，这限制了它们在非结构化环境中的应用。Fang等人[24]提出了面向任务的抓取网络(TOG-Net)，如图1-6所示，对工具的任务抓取和工具的操作策略进行联合优化。Antanas等人[25]采用概率逻辑方法建立目标-任务-抓取位置的逻辑概率，然后根据概率值选择抓取位置。Ardón等人[26]利用马尔可夫逻辑网络建立基于知识的图表示，获得物品的抓取能力的概率分布。然而，这些方法使用的逻辑关系仅限于人工设计，训练过程非常繁琐，而且不是端到端的训练方式。Park等人[27]提出了一个单一的多任务DNN来推理物品之间的关系，而没有考虑单个物品的任务兼容性抓取。Detry等人[28]和Yang等人[29]提出了结合物品语义和任务约束来抓取物品。然而，语义约束是高层次的概念，难以描述和概括。因此，如何直接有效地学习物品-任务-掌握关系是一个重要的研究问题。参考文献SanchezJ,CorralesJA,BouzgarrouBC,etal.Roboticmanipulationandsensingofdeformableobjectsindomesticandindustrialapplications:asurvey[J].TheInternationalJournalofRoboticsResearch,2018,37(7):688-716.OrtenziV,ControzziM,CiniF,etal.Roboticmanipulationandtheroleofthetaskinthemetricofsuccess[J].NatureMachineIntelligence,2019,1(8):340-346.PouyanfarS,SadiqS,YanY,etal.Asurveyondeeplearning:Algorithms,techniques,andapplications[J].ACMComputingSurveys(CSUR),2018,51(5):1-36.DuG,WangK,LianS,etal.Vision-basedroboticgraspingfromobjectlocalization,objectposeestimationtograspestimationforparallelgrippers:areview[J].ArtificialIntelligenceReview,2020,54(3),1677-1734.JiangY,MosesonS,SaxenaA.Efficientgraspingfromrgbdimages:Learningusinganewrectanglerepresentation[C]//2011IEEEInternationalconferenceonroboticsandautomation.IEEE,2011:3304-3311.Hassaballah,Mahmoud,andAliIsmailAwad,eds.Deeplearningincomputervision:principlesandapplications[M].CRCPress,2020.MahlerJ,MatlM,SatishV,etal.Learningambidextrousrobotgraspingpolicies[J].ScienceRobotics,2019,4(26).ZengA,SongS,LeeJ,etal.Tossingbot:Learningtothrowarbitraryobjectswithresidualphysics[J].IEEETransactionsonRobotics,2020,36(4):1307-1319ZengA,SongS,YuKT,etal.Roboticpick-and-placeofnovelobjectsinclutterwithmulti-affordancegraspingandcross-domainimagematching[C]//2018IEEEinternationalconferenceonroboticsandautomation(ICRA).IEEE,2018:1-8.LeCunY,BoserB,DenkerJS,etal.Backpropagationappliedtohandwrittenzipcoderecognition[J].Neuralcomputation,1989,1(4):541-551.LenzI,LeeH,SaxenaA.Deeplearningfordetectingroboticgrasps[J].TheInternationalJournalofRoboticsResearch,2015,34(4-5):705-724.RedmonJ,AngelovaA.Real-timegraspdetectionusingconvolutionalneuralnetworks[C]//2015IEEEInternationalConferenceonRoboticsandAutomation(ICRA).IEEE,2015:1316-1322.ChuFJ,XuR,VelaPA.Real-worldmultiobject,multigraspdetection[J].IEEERoboticsandAutomationLetters,2018,3(4):3355-3362.RenS,HeK,GirshickR,etal.FasterR-CNN:towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2016,39(6):1137-1149.ParkD,SeoY,ChunSY.Real-time,highlyaccurateroboticgraspdetectionusingfullyconvolutionalneuralnetworkwithrotationensemblemodule[C]//2020IEEEInternationalConferenceonRoboticsandAutomation(ICRA).IEEE,2020:9397-9403.ZhouX,LanX,ZhangH,etal.Fullyconvolutionalgraspdetectionnetworkwithorientedanchorbox[C]//2018IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems(IROS).IEEE,2018:7223-7230.MahlerJ,PokornyFT,HouB,etal.Dex-net1.0:Acloud-basednetworkof3dobjectsforrobustgraspplanningusingamulti-armedbanditmodelwithcorrelatedrewards[C]//2016IEEEinternationalconferenceonroboticsandautomation(ICRA).IEEE,2016:1957-1964.MahlerJ,LiangJ,NiyazS,etal.Dex-net2.0:Deeplearningtoplanrobustgraspswithsyntheticpointcloudsandanalyticgraspmetrics[J].arXivpreprintarX