CN119489434A 一种基于深度强化学习的葡萄采摘机器人视点规划方法 （湘潭大学）

学一种基于深度强化学习的葡萄采摘机器人本发明公开一种基于深度强化学习的视点好的DQN网络得到下一时刻相机运动动作；控制述方法在保持较高采摘成功率的情况下大大缩2步骤1：从葡萄采摘场景中采集图像和相机位姿等数据制作用于深度强化学习训练的步骤5：将ROI图像输入到MaskR_CNN网络对叶片遮挡2.根据权利要求1所述的一种基于深度强化学习的葡萄采摘机器人视点规划方法，所TRi＝{(ψi+x,θj+y)|-Δψ/2≤x≤Δψ/2,-Δθ/2≤y≤Δ采样过程首先从Regions中的R0区域随机选取5个点作为初始采样点。然后从每个初始3.根据权利要求1所述的一种基于深度强化学习的葡萄采摘机器人视点规划方法，所3T其中和分别表示遮挡面积缩小因子以及遮挡区域位于中心线一侧的程度增加因4.根据权利要求1所述的一种基于深度强化学习的葡萄采摘机器人视点规划方法，所的ψ和θ。为了提取ROI图像的特征，使用一个预训练的ResNet_50网络。该网络是根据ImageNet数据集进行训练。与原始Resnet50网络不同的是抛弃了残差网络的SoftMax层直4离的区域作为St状态下理想视点存在区域。最后，选取在该区域中中心点作为目标视点P(θT,ψT)，以向量近似表示全局趋势T。定义动作A其中表示全局趋势与运动方向不一致，所以在新的奖励中给与了ε的惩罚从eval))25[0002]为了解决葡萄采摘机器人在采摘作业过程中面临的遮挡问题从而提高机器人自机视角。[0003]发明专利《一种基于主动视觉策略的视点规划方法及其采摘系统》(公开号：CN116619388A)公开了一种基于空间随机采样的视点规划方法。该方法通过在采摘点区域大化累计奖励期望的原则找到能检测到果梗的[0007]步骤1：从葡萄采摘场景中采集图像和相机位姿等数据制作用于深度强化学习训6CNN网络对葡萄的果串进行分割。假设ROI区域的中心位于果串垂直于地面的质心连线上，7据score:的定义可知，当大于0时，这表明执行At动作之后的状态St+1具有更大概率[0024]步骤3.1、动作策略网络采用DQN网络实现，该网络由状态输入信息、预处理根据ImageNet数据集进行训练。与原始Resnet50网络不同的是抛弃了残差网络的SoftMaxp[0025]步骤3.2、定义一个缓存D用于记录学习过程中成功检测到果梗的视点位置V=pT8出θeval))2eval网络的参数更新到Qtarget网个动作策略使葡萄采摘机器在高度遮挡的环境中根据最大化累计奖励期望的原则找到能是根据2维图像提取特征的方法进行决策，相比于基于采摘点区域三维建图的视点规划方作为新的奖励输入到网络中学习从而达到加快网络9[0051]步骤1：从葡萄采摘场景中采集图像和相机位姿等数据制作用于深度强化学习训Ri区域可表示为域，在获取的RGB图像上截取ROI区域得到ROI图像。其次，得到ROI图像之后，再次使用[0067]其中和分别表示遮挡面积缩小处理ResNet_50网络和多层感知机MLP组成。状态输入信息包含ROI图像、遮挡区域的检测网络是根据ImageNet数据集进行训练。与原始Resnet50网络不同的是抛弃了残差网络的息和归一化之后的遮挡检测框4维信息。将所有的特征融合之后输入到一个多层感知机p[0071]步骤3.2、定义一个缓存D用于记录学习过程中成功检测到果梗的视点位置V=pT点P(θT,ψT)，以向量近似表示全局趋势T。定义动作At的方向向量为新的奖励new_reval))2eval网络的参数更新到Qtarget网