今日與大家分享幾種主流工業(yè)機(jī)器人智能抓取系統(tǒng)方案。

機(jī)器人學(xué)習(xí)中的經(jīng)典問(wèn)題之一便是分揀：在一堆無(wú)序擺放的物品堆中，取出目標(biāo)物品。在快遞分揀員看來(lái)，這幾乎是一個(gè)不需要思考的過(guò)程，但對(duì)于機(jī)械臂而言，這意味著復(fù)雜的矩陣計(jì)算。

事實(shí)上，對(duì)于人類(lèi)需要耗費(fèi)大量時(shí)間的數(shù)理難題，用智能系統(tǒng)處理起來(lái)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(dòng)作，則是全世界機(jī)機(jī)器人研究專(zhuān)家關(guān)注的熱點(diǎn)。

機(jī)械臂抓取需要確定每段機(jī)械臂的位姿

首先，機(jī)械臂需要視覺(jué)伺服系統(tǒng)，來(lái)確定物體的位置，根據(jù)末端執(zhí)行器（手）和視覺(jué)傳感器（眼）的相對(duì)位置，可分為Eye-to-Hand和Eye-in-Hand兩種系統(tǒng)。

Eye-to-Hand的分離式分布，視野固定不變，如果相機(jī)的標(biāo)定精度高的話，那么視覺(jué)定位于抓取的精度也越高。

Eye-in-Hand則將機(jī)械臂與視覺(jué)傳感器固定在一起，視野隨機(jī)械臂的移動(dòng)而改變，傳感器越近時(shí)精度越高，但過(guò)于靠近時(shí)則可能使目標(biāo)超出視野范圍。

精密的視覺(jué)系統(tǒng)與靈活機(jī)械臂的配合，才能完成一次完美的抓取，而這正是當(dāng)前機(jī)器人操作中的核心難題，歸納起來(lái)就是這么一件事：找到合適的抓取點(diǎn)（或吸附點(diǎn)），抓住它。之后的轉(zhuǎn)運(yùn)執(zhí)行，則屬于運(yùn)動(dòng)規(guī)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(shí)物掃描的方式，提前將模型的數(shù)據(jù)給到機(jī)器人系統(tǒng)，機(jī)器在實(shí)際抓取中就只需要進(jìn)行較少的運(yùn)算：

1. 離線計(jì)算：根據(jù)搭載的末端類(lèi)型，對(duì)每一個(gè)物體模型計(jì)算局部抓取點(diǎn)；

2. 在線感知：通過(guò)RGB或點(diǎn)云圖，計(jì)算出每個(gè)物體的三維位姿；

3. 計(jì)算抓取點(diǎn)：在真實(shí)世界的坐標(biāo)系下，根據(jù)防碰撞等要求，選取每個(gè)物體的最佳抓取點(diǎn)。

RGB顏色空間由紅綠藍(lán)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(jī)器人通過(guò)顏色坐標(biāo)值來(lái)理解“顏色”。這種方式與人眼識(shí)別顏色的方向相似，在顯示屏上廣泛采用。

CGrasp 對(duì)精密軸承的無(wú)序抓取

Half-Model-based（半模型的方法）

在這種訓(xùn)練方式中，不需要完全預(yù)知抓取的物體，但是需要大量類(lèi)似的物體來(lái)訓(xùn)練算法，讓算法得以在物品堆中有效對(duì)圖像進(jìn)行“分割”，識(shí)別出物體的邊緣。這種訓(xùn)練方式，需要這些流程：

1.離線訓(xùn)練圖像分割算法，即把圖片里的像素按物體區(qū)分出來(lái)，此類(lèi)工作一般由專(zhuān)門(mén)的數(shù)據(jù)標(biāo)注員來(lái)處理，按工程師的需求，標(biāo)注出海量圖片中的不同細(xì)節(jié)；

2.在線處理圖像分割，在人工標(biāo)注出的物體上，尋找合適的抓取點(diǎn)。

這是一種目前應(yīng)用較為廣泛的方式，也是機(jī)械臂抓取得以推進(jìn)的主要推力。機(jī)械臂技術(shù)發(fā)展緩慢，但計(jì)算機(jī)視覺(jué)的圖像分割則進(jìn)展迅速，也從側(cè)面撬動(dòng)了機(jī)器人、無(wú)人駕駛等行業(yè)的發(fā)展。

Model-free（自由模型）

這種訓(xùn)練方式不涉及到“物體”的概念，機(jī)器直接從RGB圖像或點(diǎn)云圖上計(jì)算出合適的抓取點(diǎn)，基本思路就是在圖像上找到Antipodal（對(duì)映點(diǎn)），即有可能“抓的起來(lái)”的點(diǎn)，逐步訓(xùn)練出抓取策略。這種訓(xùn)練方式往往讓機(jī)器手大量嘗試不同種類(lèi)的物品，進(jìn)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(duì)于機(jī)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(huán)境光照的影響，在不同場(chǎng)景的抓取難度也大相徑庭。從實(shí)驗(yàn)室到商業(yè)落地，其中有相當(dāng)一段路要走。

高精密度的相機(jī)研發(fā)，是機(jī)器人“感知”物體的第一步。

實(shí)際商業(yè)場(chǎng)景中，最麻煩的物體總是“下一個(gè)物體”。工業(yè)機(jī)器人要真正融入實(shí)際生產(chǎn)體系，只有具備聰明的大腦，針對(duì)不同工況做出柔性的調(diào)整，才能拓寬工業(yè)機(jī)器人的使用場(chǎng)景。