[发明专利]一种结合自监督学习的机械臂抓取规划方法和系统

权利要求书

1.一种结合自监督学习的机械臂抓取规划方法，其特征在于，包括：

利用待抓取物体完整点云生成多个候选抓取姿态，通过抓取质量分类模型对候选抓取姿态进行打分和分类，将得分最高的候选抓取姿态及其类别作为机械臂最优抓取规划；

所述抓取质量分类模型通过如下步骤训练得到：

利用物体完整点云生成多个抓取姿态，获取抓取姿态与物体完整点云的一对接触点，比较一对接触点指向物体内部的法向量与单位向量之间的夹角，将较大夹角的正切值作为抓取姿态的质量系数，通过抓取姿态的质量系数为抓取姿态生成类别标签；

将带有类别标签的多个抓取姿态作为训练数据，训练分类神经网络至收敛，得到抓取质量分类模型。

2.如权利要求1所述的一种结合自监督学习的机械臂抓取规划方法，其特征在于，所述物体完整点云通过如下方式得到：

获取多个视角下待抓取物体的深度图像，建立一个包围物体的包围盒，根据各视角下的深度图像对应的相机位姿计算包围盒的每个点在相机坐标系下的映射点，将映射点反投影后进行融合，得到物体完整点云。

3.如权利要求1或2所述的一种结合自监督学习的机械臂抓取规划方法，其特征在于，所述融合的具体实现方式为：

将映射点反投影得到深度图像中的对应像素点，将像素点的深度值与映射点到相机坐标系原点的距离之差作为包围盒的点的符号距离函数值sdf(p)，将相机的投射光线与包围盒的表面法向量的夹角除以映射点到相机坐标系原点的距离，得到包围盒的点的权重w(p)；

设置截断距离u，利用截断距离与sdf(p)之比构建截断符号距离函数tsdf(p)，在连续的多个视角下，为当前视角的截断符号距离函数tsdf(p)赋予权重w(p)，然后与前一视角的融合结果再次融合，得到融合后各点的截断符号距离函数，将融合后各点的截断符号距离函数小于距离阈值的融合点作为物体完整点云。

4.如权利要求3所述的一种结合自监督学习的机械臂抓取规划方法，其特征在于，所述符号距离函数值sdf(p)＞0，则截断符号距离函数tsdf(p)＝min(1，sdf(p)/u)，否则tsdf(p)＝max(-1，sdf(p)/u)。

5.如权利要求3所述的一种结合自监督学习的机械臂抓取规划方法，其特征在于，所述融合后各点的截断符号距离函数为：

其中，TSDF_i(p)为第i个视角下p点融合后的截断符号距离函数值，TSDF_i-1(p)为第i-1个视角下p点融合后的截断符号距离函数值，w_i(p)为第i个视角下p点的权重，tsdf_i(p)为第i个视角下p点的截断符号距离函数值，W_i-1(p)为第i-1个视角下p点的全局融合的权重，W_i-1(p)＝W_i-2(p)+w_i-1(p)，W_i-2(p)为第i-2个视角下p点的全局融合的权重，w_i-1(p)为第i-1个视角下p点的权重。

6.如权利要求1或2所述的一种结合自监督学习的机械臂抓取规划方法，其特征在于，所述包围盒的处理方式还包括：

建立一个包围物体的包围盒，将包围盒划分为多个等分，每个等分为一个体素，在物体完整点云重建过程中并行遍历各体素中的点。