摘要: 随着工业水平的不断提高，各式各样的机器人逐渐出现在人们的视野中，成为人们生活不可或缺的工具之一，其应用领域涵盖了服务行业，教育行业，医疗行业以及工业生产领域等等。由于社会进步和经济发展，人们的需求越来越丰富多样，机器人取代人工已经... 展开 随着工业水平的不断提高，各式各样的机器人逐渐出现在人们的视野中，成为人们生活不可或缺的工具之一，其应用领域涵盖了服务行业，教育行业，医疗行业以及工业生产领域等等。由于社会进步和经济发展，人们的需求越来越丰富多样，机器人取代人工已经成为趋势，与此同时机器人智能化也逐渐成为当今最热门的学术研究话题之一。越来越来的学者希望通过增加传感器或者是编写程序能使机器人像人类一般的“智能”。而本文所探究的内容就是机器人智能化必须具备的功能之一，机器人实时抓取物体。 本文提出了一种基于有效物体抓取特征选择和高精度分类的机器人抓取物体模型，在机器人实时检测物体抓取特征并试图抓取物体时，该模型主要分三个阶段进行，第一阶段，提出了一种形态学图像处理算法（MIP），它可以有效的选择用于表示抓取的矩形，并进一步从中提取有用的特征以生成特征集。第二阶段，在康奈尔大学的抓取数据集上训练和评估机器学习和深度学习分类模型，并用分类模型对特征集中的元素进行评分和分类，再根据物体特征候选集中获得最高分数的抓取特征所对应的抓取矩形计算机器人抓取物体的位置。第三阶段，使用了一种机器人运动控制策略，用于确保机器人能以给定的抓取姿态抓取物体。 实验结果表明，本文所提出算法模型的优势在于：（1）MIP算法能够从物体本身的局部特征出发，避免了传统方法所使用的全局滑窗搜索，从而减少计算量，达到实时检测的目的；（2）本文提出的分类模型在康奈尔抓取数据集上的准确度最高达到96.5%，其性能超过了目前大多数抓取神经网络模型；（3）在现实世界的抓取实验中，本文通过结合MIP算法和CNN分类模型，整个算法能够以每秒105帧的速度进行抓取检测，其抓取成功率达到89.9%，相对于现有研究工作，在能保持相等水平抓取成功率的情况下，检测速度有大幅提升。 收起