Please enable JavaScript.
Coggle requires JavaScript to display documents.
Robot motion and grasp planning (research topic (抓取视觉 (物体姿态估计…
Robot motion and grasp planning
抓取算法1.0
1.随便选一个抓取的位置。（比如在物体表面采样一对点，有很多方法可以做这件事）
2.判断这个抓取的位置是否能形成force closure
3.如果是，执行这个抓取。如果否，回到第一步
REG-K
research problem
planning:
１．物体形状未知。
２．对物体位置的感知不精确，更好的理解不确定性
３．环境中有障碍物。
CV:
1.光照条件不确定（光照）
2.物体距离相机距离不确定（尺度）、
3.相机看物体的角度不确定（旋转、仿射）
4.其他物体遮挡（遮挡）
SIFT特征点
基于模板匹配的办法
传统问题的一些新的setting
task-dependent grasp
抓取算法2.0
1.从图像中识别出物体种类，估计物体位姿。
2.根据物体几何结构随便选N个抓取的位置。
3.根据某个评价函数，为每个抓取位置打分。
4.选择得分最高的抓取位置执行。
segmentation network + ICP的结构：利用深度学习的semantic segmentation network来图片物体分割，然后通过depth camera获取的点云利用ICP算法来匹配物体的3D模型，然后得到物体在实际场景中的pose了。给motion planning系统，计算机器手臂抓取线路
analytic appraoch: formed as a constrained optimization problem in which the gasp properties is used as constraints.
Prior object knowledge
Known object
Offline Generation of a Grasp Experience Database
Online Object Pose Estimation
Unknown object
Approximating Unknown Object Shape
generate grasp based on low-level feature and heuristics
Famililar object
Similarity measurement
Generative Models for Grasp Synthesis
Category-based Grasp Synthesis
抓取方法3.0
1.从图像中直接获取抓取位置并执行。
监督学习（Supervised Learning ）
DL: learning grasp point or rectangle
康奈尔大学：针对novel object
deep semantic grasping
实现分类和抓取
抓取算法4.0
1.在点云上随便选N个抓取的位置。
2.根据训练好的CNN评价函数，为每个抓取位置打分。
3.选择得分最高的抓取位置执行。
监督学习（Supervised Learning ）
research topic
抓取视觉
物体姿态估计
多采用点云配准（ICP等）或 bounding box 提取等的简单方法
抓取姿态生成 grasp planning
物体识别
大部分都还是采用颜色直方图、局部特征点（SIFT等）、BoF等传统方法
抓取规划
视觉伺服控制
大脑则会控制你的手臂进行运动来不断缩小这个误差，直到成功抓取
基本就是往与Learning结合的套路上走
研究： find a suitable set of contacts
抓取分析Grasp analysis
Quantitative Grasp Meaure
form closure:
force closure
others
High-level grasp
Whole-body grasping
Task-oriented grasping
定义specific metric
抓取控制
Grasp contact modeling
Grasping force control
Sensor-based control
抓取算法5.0
一个MDP问题，通过值迭代等方法求出状态到动作的映射
强化学习（Reinforcement Learning）
抓取算法6.0视觉伺服
美国东北大学： cnn distance measure-- visuomotor controller