注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于机器视觉和深度学习的目标识别与抓取定位研究

  2. 本文主要研究基于机器视觉和深度学习的目标识别与定位，为传统工业机器人加 入视觉系统，实时监测加工对象的信息，应用机器视觉和深度学习的理论与方法对这 些信息进行处理，提高机器人的智能化水平。实验平台为本实验组搭建的基于机器视 觉的六自由度机械臂控制系统，如图 1.1 所示。系统主要包括双目摄像机、六自由度 机械臂、摄像机标定及测量子系统、机械臂控制子系统以及目标识别与定位子系统。 双目摄像机由两个相同配置的 CCD 相机组成，充当机器人的眼睛；六自由度机械臂 充当机器人的手臂，移动抓取物体；目标

  3. 所属分类：机器学习

    • 发布日期：2018-06-13
    • 文件大小：5242880
    • 提供者：tjj1057813680

  1. 向人类学习如何抓取：数据驱动的架构 拟人软手自主抓握

  2. 软手是将顺应性元素嵌入其机械设计中的机器人系统。这样可以有效地适应物品和环境，并最终提高其抓握性能。如果与经典的刚性手相比，这些手在人性化操作方面具有明显的优势，即易于使用和坚固耐用。但是，由于缺乏合适的控制策略，它们在自主控制方面的潜力仍未得到开发。为了解决这个问题，在这项工作中，我们提出了一种方法，可以从观察人类策略开始，使软手能够自主地抓握物体。通过深度神经网络实现的分类器将要抓取的物体的视觉信息作为输入，并预测人类将执行哪些操作来实现目标。因此，此信息用于从一组人类启发的原语中选择一个，

  3. 所属分类：深度学习

    • 发布日期：2019-10-20
    • 文件大小：560128
    • 提供者：qq_16481211

  1. 机器人抓取检测技术的研究现状_刘亚欣.caj

  2. 基于学习的方法 机器学习方法已被证明对广泛的感知问题有效[32-36], 允许感知系统学习从一些特征集到各种视觉特性的映射[37]. 研究人员更是将深度学习引入抓取检测中,将学习方法应用于视觉中,引入学习方法对抓取质量进行评分[38]. 近期的文献采用了更丰富的特征和学习方法,允许机器人抓取部分被遮挡的已知物体[39] 或已知物体未知姿态[40] 以及系统之前未见过的全新物体(未知物体)[41],本文将讨论后一种情况. 早期的工作集中在仅从2D部分视图数据中检测单个抓取点,使用启发式方法基于此点

  3. 所属分类：机器学习

    • 发布日期：2020-12-11
    • 文件大小：947200
    • 提供者：WhiffeYF

  1. 基于深度学习的五指工业机器人手抓握检测方法

  2. 为了提高在不确定环境下机器人抓握的准确性，提出了一种基于深度学习的五手指工业机器人手模型目标检测方法。 作者首先设计了具有21个自由度（DOF）的五指工业机器人手模型。 基于5DT数据手套的传感器数据，可以实时控制工业机器人手。 他们使用对象检测网络的更快区域卷积神经网络和单发多盒检测器来定位抓取对象。 为了优化机械手抓地力检测，直接抓地力预测器和多模式抓地力预测器这两种抓地力预测器方法被应用于获得最佳的可抓握区域。 在本研究设计的仿真中，与六自由度机器人手臂配合使用，五指工业机器人手可以准确地

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：1048576
    • 提供者：weixin_38719643

  1. 基于深度学习的机器人抓取检测方法

  2. 深度学习在人工智能领域取得了巨大突破。 使用深度学习可以提高机器人在不确定性任务上的性能。 由于伺服电机的累积误差，机器人的手臂末端工具（EOAT）无法将物体抓住在适当的位置。 通过深度学习来研究机器人的抓握检测是值得的，而在机器人研究中已经有一些成功的实践。 我们提出了一种新颖的机器人抓握检测方法，该方法基于具有场景的RGBD图像的深度学习模型，给出了平行板机器人抓爪的抓握位置。 我们方法的最佳模型以可接受的时间速度存档了87.49％的精度。 我们的方法介绍了另一种解决机器人抓取问题的方法。

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：345088
    • 提供者：weixin_38608875

  1. 结合深度学习与生物特征识别在冷链拣选中的算法研究

  2. 机器人对食品的抓取、拣选是工业自动化中的一个常见问题，但是食品通常形状不规则、特征多变，导致快速、稳定的视觉分析与定位较为困难。提出了一种结合深度学习与生物特征识别的目标点定位方法，首先使用深度学习模型对目标点进行粗定位，之后在粗定位点的邻域中，利用生物特征进行微调，得到精准的目标点坐标。所设计的方法在常见食品——虾的数据上进行了模型训练与性能验证。首先将虾的图像进行预处理后输入深度学习模型得到粗定位点，之后对虾的位姿进行归一化并提取轮廓线，基于对搜索域内的轮廓拟合与特征点检测以精确定位目标点。

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：2097152
    • 提供者：weixin_38662367