新聞中心
News Center
今日與大家分享幾種主流工業機器人智能抓取系統方案。
機器人學習中的經典問題之一便是分揀:在一堆無序擺放的物品堆中,取出目標物品。在快遞分揀員看來,這幾乎是一個不需要思考的過程,但對于機械臂而言,這意味著復雜的矩陣計算。
事實上,對于人類需要耗費大量時間的數理難題,用智能系統處理起來就顯得十分容易,但在幾乎不需要思考的情況下就能做出的分選動作,則是全世界機機器人研究專家關注的熱點。
機械臂抓取需要確定每段機械臂的位姿
首先,機械臂需要視覺伺服系統,來確定物體的位置,根據末端執行器(手)和視覺傳感器(眼)的相對位置,可分為Eye-to-Hand和Eye-in-Hand兩種系統。
Eye-to-Hand的分離式分布,視野固定不變,如果相機的標定精度高的話,那么視覺定位于抓取的精度也越高。
Eye-in-Hand則將機械臂與視覺傳感器固定在一起,視野隨機械臂的移動而改變,傳感器越近時精度越高,但過于靠近時則可能使目標超出視野范圍。
精密的視覺系統與靈活機械臂的配合,才能完成一次完美的抓取,而這正是當前機器人操作中的核心難題,歸納起來就是這么一件事:找到合適的抓取點(或吸附點),抓住它。之后的轉運執行,則屬于運動規劃的分支。
目前幾種主流的解決方案
Model-based(基于模型的方法)
這種方法很好理解,即知道要抓什么,事先采用實物掃描的方式,提前將模型的數據給到機器人系統,機器在實際抓取中就只需要進行較少的運算:
1. 離線計算:根據搭載的末端類型,對每一個物體模型計算局部抓取點;
2. 在線感知:通過RGB或點云圖,計算出每個物體的三維位姿;
3. 計算抓取點:在真實世界的坐標系下,根據防碰撞等要求,選取每個物體的最佳抓取點。
RGB顏色空間由紅綠藍三種基本色組成,疊加成任意色彩,同樣地,任意一種顏色也可以拆解為三種基本色的組合,機器人通過顏色坐標值來理解“顏色”。這種方式與人眼識別顏色的方向相似,在顯示屏上廣泛采用。
CGrasp 對精密軸承的無序抓取
Half-Model-based(半模型的方法)
在這種訓練方式中,不需要完全預知抓取的物體,但是需要大量類似的物體來訓練算法,讓算法得以在物品堆中有效對圖像進行“分割”,識別出物體的邊緣。這種訓練方式,需要這些流程:
1.離線訓練圖像分割算法,即把圖片里的像素按物體區分出來,此類工作一般由專門的數據標注員來處理,按工程師的需求,標注出海量圖片中的不同細節;
2.在線處理圖像分割,在人工標注出的物體上,尋找合適的抓取點。
這是一種目前應用較為廣泛的方式,也是機械臂抓取得以推進的主要推力。機械臂技術發展緩慢,但計算機視覺的圖像分割則進展迅速,也從側面撬動了機器人、無人駕駛等行業的發展。
Model-free(自由模型)
這種訓練方式不涉及到“物體”的概念,機器直接從RGB圖像或點云圖上計算出合適的抓取點,基本思路就是在圖像上找到Antipodal(對映點),即有可能“抓的起來”的點,逐步訓練出抓取策略。這種訓練方式往往讓機器手大量嘗試不同種類的物品,進行self-supervisedlearning,Google的Arm Farm,即為其中的代表之一。
Google Arm Farm
值得注意的是,對于機械手而言,不同形狀的物品,抓取難度有天壤之別。即便是同樣形狀的物體,由于表面反光度和環境光照的影響,在不同場景的抓取難度也大相徑庭。從實驗室到商業落地,其中有相當一段路要走。
高精密度的相機研發,是機器人“感知”物體的第一步。
實際商業場景中,最麻煩的物體總是“下一個物體”。工業機器人要真正融入實際生產體系,只有具備聰明的大腦,針對不同工況做出柔性的調整,才能拓寬工業機器人的使用場景。