近日，2021年機器人技術與自動化會議（IEEE International Conference on Robotics and Automation, ICRA）公布了論文錄用結果。我院信息科學與技術學部、先進制造學部各有1篇論文入選，分別為：

《基于改進人工勢場法的超冗余連續(xù)型機械臂整臂協(xié)同規(guī)劃算法》（ An Overall Configuration Planning Method of Continuum Hyper-Redundant Manipulators d on Improved Artificial Potential Field Method ，作者：2019級碩士生田宇，導師：王學謙）《ParametricNet：面向參數(shù)化零件堆疊場景的6D位姿估計網(wǎng)絡》（ ParametricNet: 6DoF Pose Estimation Network for Parametric Shapes in Stacked Scenarios ，作者：2019級碩士生呂偉杰、2020級碩士生張欣宇，導師：曾龍）

田宇、呂偉杰、張欣宇（從左至右）

超冗余連續(xù)型機器人憑借其獨特的結構優(yōu)勢，近年來被廣泛用于完成航空航天、醫(yī)療等領域在狹隘環(huán)境中的任務。因為超冗余連續(xù)型機器人具有較大的冗余自由度，其逆運動學十分復雜，在狹隘環(huán)境中的運動規(guī)劃一直是超冗余連續(xù)型機器人的一項研究難點。

本文提出了一種基于虛擬引導管道和改進人工勢場法的超冗余連續(xù)型機器人整臂協(xié)同規(guī)劃算法。本算法首先根據(jù)任務場景構建一個不包含障礙物的虛擬管道，運用人工勢場算法將機械臂限制在管道中運動，并通過為虛擬管道加入類似螺線管磁場分布的勢場，解決了傳統(tǒng)人工勢場方法的局部極小值問題。為了解決整臂規(guī)劃中面臨的受力方向矛盾，本文提出了一種基于最大做功原理的機器人運動規(guī)劃方法，解決了整臂規(guī)劃中面臨的受力方向矛盾問題，提高了機器人運動效能。通過仿真對所提方法進行了驗證。仿真結果表明，虛擬管道和引導勢場的引入大大增加了連續(xù)機器人規(guī)劃成功率，并且避免了引入超冗余機器人復雜的逆運動學公式，大大降低了計算復雜度。

改進后的勢場以及規(guī)劃的臂型時序圖

在智能制造升級推廣的今天，工業(yè)環(huán)境中存在大量使用機械臂抓取的堆疊場景。零件之間通常存在嚴重遮擋、局部重疊等問題，尤其是參數(shù)化零件在制造過程廣泛存在，而目前位姿估計方法主要面向非參數(shù)化物體。因此，參數(shù)化零件的多樣性、隨機性和未知性，使得參數(shù)化零件堆疊場景理解與自主抓取尤為困難。

本文提出了一種基于關鍵點預測和霍夫投票的參數(shù)化零件位姿估計網(wǎng)絡ParametricNet。首先由模板的驅動參數(shù)和對稱性定義出與參數(shù)關聯(lián)的關鍵點，即將物體參數(shù)預測問題和位姿預測問題轉變?yōu)殛P鍵點預測問題。然后通過逐點回歸網(wǎng)絡與投票機制預測出個體的關鍵點和質(zhì)心，并在質(zhì)心空間內(nèi)實現(xiàn)個體分割，同時由預測質(zhì)心和關鍵點解算出參數(shù)，實現(xiàn)對應模板零件實例的三維重構，進而確定模板質(zhì)心和關鍵點。最后，通過關鍵點匹配擬合解算出每個物體的6D位姿。已位姿識別非參數(shù)化標準數(shù)據(jù)集中，ParametricNet在位姿估計準確率上大幅優(yōu)于最新方法（達15%）。另外，本文還構建了一個參數(shù)化零件堆疊數(shù)據(jù)集，為工業(yè)零件場景理解技術研究奠定大規(guī)模數(shù)據(jù)基礎。ParametricNet在本文提出的參數(shù)化零件堆疊數(shù)據(jù)集中也同樣具有優(yōu)秀的學習能力和泛化能力，在機械臂堆疊抓取的實際場景實驗中，ParametricNet可以穩(wěn)定地實現(xiàn)對未知參數(shù)零件的識別和位姿估計。

ParametricNet流程圖

國際機器人技術與自動化會議（ICRA）由機器人和自動化學會（IEEE Robotics and Automation Society, RAS）主辦，每年舉辦一次，是機器人技術領域頗具規(guī)模和影響力的國際學術會議。

文/圖|曾龍、王學謙、呂偉杰

編輯|葉思佳