基于SE-ResNet的机器人最优抓取姿态检测方法

杨华; 宋卓著; 吴杰宏; 高利军

doi:10.13873/J.1000-9787(2023)05-0112-05

Chinese

您当前的位置：

首页 >

文章列表页 >

基于SE-ResNet的机器人最优抓取姿态检测方法

计算与测试 | 更新时间：2025-09-11

- 基于SE-ResNet的机器人最优抓取姿态检测方法
- 暂无标题
- 传感器与微系统 2023年第5期页码：112-116
- 作者机构：
  
  沈阳航空航天大学计算机学院
- 作者简介：
- 基金信息：
  
  辽宁省自然科学基金资助项目(2019—ZD—0243);辽宁省教育厅科学技术研究项目(L201626);航空科学基金资助项目(2018ZC54013)
- DOI：10.13873/J.1000-9787(2023)05-0112-05
  中图分类号： TP242;TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
杨华, 宋卓著, 吴杰宏, 等. 基于SE-ResNet的机器人最优抓取姿态检测方法[J]. 传感器与微系统, 2023,(5):112-116.
杨华, 宋卓著, 吴杰宏, 等. 基于SE-ResNet的机器人最优抓取姿态检测方法[J]. 传感器与微系统, 2023,(5):112-116. DOI： 10.13873/J.1000-9787(2023)05-0112-05.

DOI：

摘要

为了提高机器人在抓取物体时成功率和速度，提出了一种基于SE-ResNet的生成式机器人抓取位置检测模型。模型通过输入的RGB-D图像直接生成对应的抓取映射图，ResNet解决了深度模型的退化问题，在此基础上引入挤压和激励机制，让模型使用全局信息来增强有用信息，并抑制无用信息。选择Jaccard指数作为抓取检测的评价标准。实验结果表明，该方法在Cornell数据集上的准确率高达98.9%。搭建了基于PyBullet物理仿真环境的抓取检测平台，使用Panda机械臂对Egad评估集中的各个难度的物体抓取表现良好，在提高抓取检测的成功率的同时，保证了实时性。

Abstract

关键词

Keywords

references

基于GPR和KRR组合模型的机械臂抓取研究[J]. 陈奎烨;史旭华;徐铭泽.传感器与微系统,2021(01)

面向机器人抓取过程中目标位姿估计方法[J]. 李树春;张静;张华;刘满禄;杨厚易;刘理想.传感器与微系统,2019(07)

EGAD! an Evolved Grasping Analysis Dataset for diversity and reproducibility in robotic manipulation[J]. Douglas Morrison;Peter Corke;Jurgen Leitner.IEEE Robotics and Automation Letters,2020

Real-World Multiobject, Multigrasp Detection[J]. Chu Fu Jen;Xu Ruinian;Vela Patricio A..IEEE Robotics and Automation Letters,2018

Deep learning for detecting robotic grasps[J]. Ian Lenz;Honglak Lee;Ashutosh Saxena.The International Journal of Robotics Research,2015

浏览量

356

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于智能AI的传感器应用

一种新型注意力机制的双人交互行为识别方法

面向校园场景视频监控的人体行为识别方法

基于深度学习的散斑图应变场测量

基于双通道图卷积网络的人体行为识别方法