近日,2021年机器人技术与自动化会议(IEEE International Conference on Robotics and Automation, ICRA)公布了论文录用结果。我院信息科学与技术学部、先进制造学部各有1篇论文入选,分别为:

《基于改进人工势场法的超冗余连续型机械臂整臂协同规划算法》( An Overall Configuration Planning Method of Continuum Hyper-Redundant Manipulators d on Improved Artificial Potential Field Method ,作者:2019级硕士生田宇,导师:王学谦)《ParametricNet:面向参数化零件堆叠场景的6D位姿估计网络》( ParametricNet: 6DoF Pose Estimation Network for Parametric Shapes in Stacked Scenarios ,作者:2019级硕士生吕伟杰、2020级硕士生张欣宇,导师:曾龙)

田宇、吕伟杰、张欣宇(从左至右)

超冗余连续型机器人凭借其独特的结构优势,近年来被广泛用于完成航空航天、医疗等领域在狭隘环境中的任务。因为超冗余连续型机器人具有较大的冗余自由度,其逆运动学十分复杂,在狭隘环境中的运动规划一直是超冗余连续型机器人的一项研究难点。

本文提出了一种基于虚拟引导管道和改进人工势场法的超冗余连续型机器人整臂协同规划算法。本算法首先根据任务场景构建一个不包含障碍物的虚拟管道,运用人工势场算法将机械臂限制在管道中运动,并通过为虚拟管道加入类似螺线管磁场分布的势场,解决了传统人工势场方法的局部极小值问题。为了解决整臂规划中面临的受力方向矛盾,本文提出了一种基于最大做功原理的机器人运动规划方法,解决了整臂规划中面临的受力方向矛盾问题,提高了机器人运动效能。通过仿真对所提方法进行了验证。仿真结果表明,虚拟管道和引导势场的引入大大增加了连续机器人规划成功率,并且避免了引入超冗余机器人复杂的逆运动学公式,大大降低了计算复杂度。

改进后的势场以及规划的臂型时序图

智能制造升级推广的今天,工业环境中存在大量使用机械臂抓取的堆叠场景。零件之间通常存在严重遮挡、局部重叠等问题,尤其是参数化零件在制造过程广泛存在,而目前位姿估计方法主要面向非参数化物体。因此,参数化零件的多样性、随机性和未知性,使得参数化零件堆叠场景理解与自主抓取尤为困难。

本文提出了一种基于关键点预测和霍夫投票的参数化零件位姿估计网络ParametricNet。首先由模板的驱动参数和对称性定义出与参数关联的关键点,即将物体参数预测问题和位姿预测问题转变为关键点预测问题。然后通过逐点回归网络与投票机制预测出个体的关键点和质心,并在质心空间内实现个体分割,同时由预测质心和关键点解算出参数,实现对应模板零件实例的三维重构,进而确定模板质心和关键点。最后,通过关键点匹配拟合解算出每个物体的6D位姿。已位姿识别非参数化标准数据集中,ParametricNet在位姿估计准确率上大幅优于最新方法(达15%)。另外,本文还构建了一个参数化零件堆叠数据集,为工业零件场景理解技术研究奠定大规模数据基础。ParametricNet在本文提出的参数化零件堆叠数据集中也同样具有优秀的学习能力和泛化能力,在机械臂堆叠抓取的实际场景实验中,ParametricNet可以稳定地实现对未知参数零件的识别和位姿估计。

ParametricNet流程图

国际机器人技术与自动化会议(ICRA)由机器人和自动化学会(IEEE Robotics and Automation Society, RAS)主办,每年举办一次,是机器人技术领域颇具规模和影响力的国际学术会议。

文/图|曾龙、王学谦、吕伟杰

编辑|叶思佳