一、机械手抓取排序问题(MSP)研究（论文文献综述）
徐向鑫[1]（2021）在《新型柔性抓取机械手的研究》文中认为
廖尚春[2]（2021）在《基于深度学习的双机械手抓取检测研究》文中进行了进一步梳理抓取检测作为机器人智能化的研究重点,目的是让机器人能够像人类一样的对外部环境做出判断,抓取各种各样的物体。但传统的抓取检测方法步骤繁琐,且难以实现对未知物体的智能抓取。而现阶段较多采用单一的抓取方式,在面对形状差异性较大的待抓取对象时抓取效果不尽人意。因此,建立一个包含多种抓取方式的机器人抓取检测模型,对于实现形状差异性较大的多对象未知物体的有效抓取,具有十分重要的意义。针对以上问题,提出基于深度学习的双机械手抓取检测方法。研究包括两种抓取方式的双机械手抓取检测问题,解决因物体形状差异性较大而导致的单一抓取方式普适性较差的问题。提出基于卷积神经网络的抓取质量检测模型,得到抓取效率最大化的双机械手抓取检测模型。实现对多对象未知物体的机器人抓取检测,提高机器人抓取的可靠性和效率。主要研究工作如下:（1）基于抓取分析模型合成数据集。使用域随机化的方法构建两种抓取方式的抓取分析模型,结合从3Dnet和Kit获取的三维网络模型,构建由深度图像、抓取和奖励标签构成的数据集。使用该数据集训练抓取检测模型,使其对感知、控制和物理属性具有一定的鲁棒性。（2）基于深度学习的双机械手抓取检测模型。将马尔可夫决策过程作为理论框架,用卷积神经网络对它进行参数化表示。以抓取质量为度量标准,首先两种抓取方式各自的抓取检测模型优化得到最佳抓取位姿,再对比抓取质量大小,确定双机械手抓取检测模型最终的抓取方式和抓取位姿。（3）基于卷积神经网络的抓取质量检测模型。分别基于交叉熵卷积神经网络和全卷积层神经网络构成抓取质量检测模型,用一组样本实施抓取检测测试,得到两种抓取方式对应效率更高的抓取检测模型,构成双机械手抓取检测模型。在Dobot机械手上进行抓取实验。实验结果表明:基于本文的双机械手抓取检测方法取得了98.0%成功率和90.0%任务完成率,验证了基于深度学习的双机械手抓取检测方法的有效性。
柳依辰[3]（2021）在《基于强化学习的机械手智能路径规划方法的研究》文中进行了进一步梳理传统的机械手路径规划方法通常需要建立精确的数学模型,只能用于固定的任务环境,缺乏泛化能力。近年来,深度强化学习（Deep Reinforcement Learning,DRL）在机器人博弈等领域取得了突破性的进展,研究人员开始探索将DRL应用于机械手控制的可行性。另外,虽然DRL在单智能体环境下的研究逐渐趋于成熟,但在多智能体场景中仍然有较大的发展空间。与单智能体环境相比,多智能体环境最大的不稳定性在于环境中每个智能体的策略变化都会对环境产生影响,导致训练网络难以收敛。针对以上背景,本文以机械手为对象,针对工业环境中机械手的抓取与放置,开展机械手的路径规划研究,主要研究内容如下:首先,本文重点从奖励函数设置和经验回放池的结构两方面分析了基于最大熵的Actor-Critic算法（Soft Actor Critic,SAC）应用于本课题时存在的问题,设计了一种将形式化奖励和分布奖励结合的复合奖励策略,同时,改进了经验回放池的结构,将原来的随机采样修改为基于最大奖励的优先采样方式。在NX（Siemens仿真软件）内建立单机械手路径规划任务的三维力学模型,将改进后的SAC算法应用于NX仿真模型上,对实验结果进行对比分析,验证改进算法的有效性。其次,本文将SAC算法与集中训练-分散执行（CTDE）框架相结合,将单智能体强化学习算法SAC扩展至多智能体环境中,有效地解决了多个智能体环境下的动态决策问题。在此框架下,Critic网络提高算法稳定性的方式是将其它智能体的观测一同输入进行训练。Actor网络则采用分布式设计,为每个智能体所独有,执行动作时策略网络仅需要考虑自身的环境状态。最后,由于CTDE框架中,智能体的Actor网络只能获得自身的观测值,智能体之间没有有效的沟通。因此本文在智能体之间建立信息共享机制,提出MASAC算法,每个智能体可利用循环神经网络GRU的原理将各自的观测信息写入通信设备,同时也可以对信息解码读取信息。经过迭代,智能体不断优化通信参数,实现智能体之间的信息交互。实验表明,MASAC算法在双机械手的路径规划任务中取得了不错的表现,相对于单智能体强化学习方法SAC,本文提出的MASAC方法大大提高了两个机械手协同合作时路径规划任务的成功率。
谢佳娜,陈敏生[4]（2020）在《微型电机外壳自动装箱设计》文中提出针对微型电机外壳大批量自动化装箱需求,研发微型电机外壳自动装箱,实现微型电机外壳的大批量自动排序及快速自动装箱。研究微型电机外壳自动装箱组成结构及设计实现机壳自动排列装置中机壳路径调整机构、机壳排序机架以及结构优化的传送带等关键部分。对微型电机外壳自动装箱开展生产测试,结果表明该可完成微型电机外壳快速、稳定、大批量自动装箱,与人工装箱方式相比,每台设备可节省6.5个人工成本,对提升企业生产效率、降低生产成本、提高企业竞争力具有重要意义。
段帅帅[5]（2020）在《基于多爪机械手的不规则物体抓取技术》文中指出随着科技的进步和人工智能的发展,机器人领域出现了各种功能的机器人,给我们的生产生活带来了很大的便利。机械手是一种使用很广泛的机器人,不仅有较强的灵活性,而且易于操控。本文主要研究在室内环境下,使用多爪机械手成功抓起形状不规则的目标物体。研究内容包括机器人移动平台的建图与自主导航、检测不规则物体和多爪机械手抓取不规则物体等技术。论文基于对机械手抓取以及机器人建图导航的研究,分析了实验环境和实验的基本要求,选择在Turtlebot2.0机器人移动平台上搭建激光雷达和Xtion Pro Live相机,用这一套装置来完成感知环境和检测不规则物体的任务。使用uHand2.0多爪机械手与PC机之间通过VNC连接,可以通过PC机对多爪机械手进行操控,进而控制多爪机械手抓取不规则物体。研究分析了机器人操作系统ROS的原理和架构,建立Turtlebot2.0机器人移动平台与ROS之间的通信,实现了ROS对机器人移动平台的操控。对ROS中的建图和导航功能包进行分析,在ROS系统中实现了Gmapping SLAM算法包,完成了机器人移动平台对室内环境的建图。通过调用ROS系统中的Navigation导航包完成了机器人移动平台的导航实验,并且实验误差在12cm以内。研究了深度学习、卷积神经网络和基于深度学习的目标检测算法,通过对比算法之间的性能和速度,选择Faster R-CNN作为目标检测算法。在TensorFlow中实现卷积神经网络,并使用Faster R-CNN系列算法对不规则物体进行检测实验。通过对不规则物体抓取位置的研究,使用抓取位置检测算法找到不规则物体的抓取点。最后,通过VNC建立PC与多爪机械手之间的连接,控制多爪机械手每个手指的具体动作完成对不规则物体的抓取。多次实验均可以成功抓取不规则物体,实验成功率达到了百分百,完成了多爪机械手抓取不规则物体这一任务。
袁蒙恩[6]（2020）在《基于单目视觉估计的机械臂运动规划算法》文中研究说明近年来,我国先后出台了关于工业智能制造的多项政策,智能制造意在将信息化与工业化具体相互融合,是未来我国制造业发展与变革的重要方向。机器视觉与机械臂抓取技术被广泛的应用于工业自动化生产领域,为制造业生产提供了诸多的便利。然而不同的自动化生产环境,物体的摆放位置有着很多的不确定性。目前在工业生产过程中,大多数的工业机械臂都是按照固定的示教指令进行抓取与放置工件,这种工作方式存在着一定的局限性,这种工作方式需要让工件处于固定的位置、以固定的姿态进行抓取物体;一旦外界以及物体位姿发生变化,机械臂将无法实现抓取功能,导致任务中断或者失败。机器视觉因其信息含量大、测量范围大、精度较高等众多优点而被广泛地引入到工业自动化过程中来,被充当机械臂的大脑与眼睛,实现工业机械臂的自动化自主决策抓取任务。因此,本文将从基于单目视觉物体的姿态估计、基于多种群粒子群算法的机械臂路径规划、任意位姿抓取策略实现机械臂抓取为切入点,设计了一个复杂静态背景下,目标物体姿态估计与机械臂智能化自主抓取系统。本论文内容结构如下。首先针对复杂的工业生产环境下,难以将目标物体与复杂背景信息分离开的问题,本文提出一种利用图像预处理手段去提取物体特征信息的方法,经过背景消除与轮廓包围法得到目标物体区域,将背景区域与物体区域分离,进而可以对获取的图像进行详细分析。为后续目标物体位姿获取打下基础。然后对只保留目标物体区域的图像进行分析,利用目标物体的已知信息加上摄像机模型,提出了一种基于模型的物体姿态估计的方法,实现了对物体姿态的估计。这种方法克服了环境因素对物体位姿获取影响较大的一些缺点,提高了在静态复杂背景下,物体姿态获取的准确度。此外,利用靶点设置表示目标物的几何特征,整个方案简单有效。目标位姿获取为后续机械臂抓取做好铺垫。针对复杂约束条件下的机械臂运动规划的问题,本文提出一种新的多种群粒子群算法,用于解决五自由度机械臂运动路径规划问题。将得到的目标物姿态信息传给多种群粒子群算法,多个子种群与精英种群组成了多种群粒子群算法,多种群粒子群算法使用预选择与交叉机制,可有效地跳出局部最优,无限接近或达到全局最优,此种多种群粒子群算法能够克服传统粒子群算法容易陷入局部最优、效率低、自适应度均方差较高等缺点。将多种群粒子群算法与现有的一流演化算法对比,结果证明对不同位置的物体,该算法获得的路径平均自适应度与均方误差最小。为实现机械臂末端执行器对任意位姿物体的抓取问题,提出了一种基于方位角的末端机械手抓取策略方法。此抓取策略算法可根据目标物体在参考坐标系下的方位信息提前完成机械手预抓取姿势,可以有效避免机械臂进入死锁状态,根据物体的姿态完成对机械臂末端执行器姿势的调整,以渐进的方式完成物体抓取任务,解决物体任意姿态抓取的问题。本文使用MATLAB对五自由度机械臂的MDH模型进行仿真,用以验证所建模型的正确性。对多种群演化算法演化出的每个关节轴应该旋转的角度进行MATLAB仿真实验,同时进行实际机械臂的抓取实验,并进行实验对比,结果证明能很好的实现机械臂自主抓取。
赵校伟[7]（2020）在《图像与数据驱动的连接器生产智能设备研究》文中指出随着社会的快速发展和智能制造技术水平的提高,越来越要求产品的智能化生产,基于视觉的机器人系统大量应用于产品的工业生产中,以实现工件的自动检测、分拣、抓取等相关工作。根据研究发现,连接器的生产依旧以传统人工操作的设备为主要生产方式。本文研究了图像与数据驱动的连接器生产智能设备,实现连接器的智能生产,提高了生产效率。首先,根据连接器的参数特点,研究设计了连接器生产智能设备的方案。分别完成对抓取机械手、紧定装置、直角坐标机器人和伺服系统的设计选型。并用NX Nastran软件对紧定装置的挤压体进行静力学分析,验证了紧定装置满足实际生产要求。其次,针对连接器生产的特点采用eye-in-hand的视觉伺服方式,实现视觉系统对机械手的引导。完成了视觉系统的硬件选型,完成相机内外参数的标定,并对机械手和相机的位置进行标定,确定相机与机械手位置的偏差。采集样件图像,利用形态学的方法对图像处理分析,获取样件高度和直径特征,确定工件的型号,按照专家系统的规则实现控制器切换。然后,根据工件托盘和工件的颜色特点,借助HSV颜色空间,利用全局阈值和形态学处理方法,完成工件的粗定位,并按照抓取规则确定工件的抓取顺序。研究分析了常用边缘提取算法的效果,选用Canny边缘检测算法获取像素边缘,再利用二次插值的亚像素边缘提取算法,进一步获取目标的亚像素边缘,对提取的亚像素边缘提出一种利用拟合圆直径的筛选规则,拟合出工件所需的亚像素边缘,获取工件的准确位置,根据工件的摆放特点获取抓取位置。之后,根据得到的工件位置和工件抓取控制流程,以及切换的控制规则,利用坐标变换,结合控制器中绝对坐标将图像二维坐标数据转换成直角坐标机器人的三维坐标。获取到工件抓取位置和加工位置,实现智能设备对工件的抓取和紧定加工,对直角坐标机器人的三轴做点到点的S型曲线运动路径规划,实现直角坐标机器人平稳移动。最后,搭建连接器生产智能设备实验平台,设计上位机操作界面,完成控制器PLC的控制程序编写,实现上位机和智能设备的通讯,并基于所设计的连接器智能设备实验平台进行综合实验分析。
秦晓伟[8]（2020）在《基于多自由度机械臂的目标抓取力控研究》文中研究指明在众多机械手臂的工作任务中,不仅要求机械臂能够做出理想的空间运动,同时也要求机械手在机械臂运动过程中维持合适的抓取力,而且被抓取对象也不一定是单一的、规则的物体,机械手臂需要适应不同重量、不同形状的被抓取对象,甚至还需要确保易损类目标对象在抓取过程中的安全性。针对上述问题,本文设计实现了六自由度机械臂的运动控制方法,并且提出了一种基于自主搭建机械手的抓取力模糊增量式PID控制算法,提高了机械手臂在实际工作中的抓取力稳定控制。目标抓取系统的环境搭建方面,其主要由六自由度机械臂,机械手小型系统,深度相机三个大部分组成。深度相机采集目标物体的图像并匹配查询预设物体信息库,对比之后获得目标物体的预设重量数据,然后传输到机械手小型系统的控制器中。控制器根据得到的目标物体重量信息计算期望抓取力,传感器实时获取机械手对目标物体的夹持力,闭环控制实时调整机械手的抓取力大小。深度相机获取目标位置信息,通过坐标变换得到机械臂坐标空间中的坐标信息,机械臂规划空间运动轨迹并移动到适合抓取目标物体的位置,最后控制机械手安全稳定的抓取目标物体。六自由度机械臂运动控制方面,首先介绍了ROS平台并对六自由度机械臂建立了URDF模型,然后通过ROS平台下的Move It!实现了对机械臂的运动控制,其中分析了笛卡尔空间中机械臂运动轨迹规划的基本原理,最后通过Rviz可视化操作平台和Python编程实现了六自由度机械臂在关节空间和笛卡尔空间中的自主避障运动。机械手抓取力控制方面,首先介绍分析了增量式PID算法以及模糊控制理论的核心内容,并对自主搭建机械手进行了系统传递函数辨识,然后基于两者的控制思路提出了一种基于自主搭建机械手的抓取力模糊增量式PID控制算法,最后通过MATLAB平台实现了算法的仿真实验。最后,在搭建的实验环境中设计了抓取力控制实验,并且分析总结了本文的工作内容以及在工作中的不足,展望了未来研究的新思路与重点。
王亚龙[9]（2020）在《基于SVM标定算法的气门视觉抓取系统研究》文中研究表明上下料是生产线中的必要工序,传统生产线中主要依靠人力完成,如今工业发展到自动化、智能化的阶段,现代化生产线中,通过配置工业机器人系统实现上下料操作,但需要根据目标工件的特点、及其在物料框中的摆放情况等选择合适的分拣抓取方案。对于在料框中不规则摆放的、尺寸较小的、表面圆端面特征不明显的气门工件,采用简单示教编程的方式控制机器人,不能达到自动抓取工件的目的。故为了实现气门毛坯在工序间上下料的自动化,本文参考大量的文献及视觉系统应用实例,制定针对气门工件的抓取方案。从气门工件表面特征及摆放特点入手,为解决从重叠的、多个工件中逐一分拣气门的问题,提出在对图像进行目标识别定位的基础上,利用光栅投影式立体视觉技术,求解目标工件位姿,以高精度、高效率地引导机器人抓取工件的方案,并设计视觉引导机器人抓取系统整体结构,具有一定的工程实际意义和价值。本文主要的研究内容如下:对图像中的目标工件识别定位。分析气门工件在图像中的几何特征,主要呈现椭圆形状,通过对图像进行灰度化、二值化等处理,使用改进的分水岭算法分割出目标的Blob区域,基于提取ROI区域的Hough变换椭圆拟合算法,完成在二维图像中对目标定位。立体视觉系统相关标定。通过对相机—DLP投影仪视觉系统进行分析,对该系统进行建模,分别构建图像坐标系、相机坐标系、世界坐标系、投影仪坐标系、工具坐标系等。为了求解各个坐标系之间的转换关系,参考张氏标定法进行相机标定,主要应用SVM回归算法,标定光栅投影式立体视觉模型,求解目标工件在空间中位姿。并对eye-in-hand式的手眼模型进行标定,求解了相机与工具两坐标系之间的转换矩阵,以确定机器人执行端的空间位姿。测试视觉引导机器人抓取系统。解决MATLAB与C++混合编程问题,建立视觉系统端与ABB机器人端的通讯,实现执行端位姿数据的传输,并在Robot Studio中仿真引导机器人运动,测试实际场景中机器人执行端路径规划合理性。搭建实际的视觉引导机器人抓取系统,并测试抓取气门工件,验证方案的可行性、系统的可靠性和准确性。
谢心如[10]（2020）在《智能机器人目标抓取关键技术研究》文中进行了进一步梳理随着越来越多地智能机器人应用于各个领域,抓取操作作为机器人领域中的研究热点,实现机器人的智能抓取对机器人的快速发展和商业落地具有十分重要的意义。目前机器人抓取研究距离实现真正的智能化还有一定的差距,主要存在三个问题:（1）机器人抓取物体前需要建立精确的系统模型,很多研究中忽略了机器人本身的定位误差,导致机器人抓取物体时的实际位置与期望位置出现偏差;（2）传统的机器人目标抓取方法需要抓取物体的精确几何模型信息,无法用于非结构化的真实场景,在多种未知场景中自主检测、搜索并抓取目标物体是目前智能机器人抓取操作面临的最大难题;（3）由于指尖触觉/力传感器的成本及灵敏度的限制,目前许多机械手不具备灵敏的触觉/力感知能力,而在现实环境中存在的许多物体对抓取力的要求非常高,特别是柔软物体和易碎物体,抓取力过大将损坏抓取物体。为了使智能机器人精确、自主、安全的抓取非结构化环境中的物体,并广泛增加可抓取的物体类型,针对以上三个问题,本文对智能机器人目标抓取的三个关键技术进行了系统的研究,包括:机器人运动学及视觉系统标定方法、基于视觉感知的智能机器人目标检测及抓取方法和基于触觉感知的机械手柔顺抓取控制方法。首先,为了提高智能机器人抓取物体时的末端定位精度,提出了一种低成本易操作的基于直线虚拟约束的机械臂运动学标定方法。利用改进的DH方法建立了机械臂的运动学模型,在基于改进DH方法的误差模型的基础上建立了基于直线约束的运动学误差模型,利用基于图像的视觉控制方法实现了标定位姿的自动对齐。设计了机械臂运动学标定实验系统,机械臂运动学标定实验结果表明该算法有效地提高了机械臂的末端定位精度。此外,研究并实现了机器人视觉系统的建模及标定方法,包括相机建模及标定、“眼在手外”系统标定和“眼在手上”系统标定,得到了精确的机器人视觉系统模型及关系矩阵。其次,为了使智能机器人在非结构化的真实场景中自主检测并抓取目标物体,设计了基于视觉的智能机器人物体抓取系统,研究了基于RGB图像的物体检测算法,实现了对相机采集的RGB数据流的实时检测。研究并实现了深度图像和RGB图像的配准及深度图像修复方法,提高了深度信息的准确性。此外,提出了一种基于检测约束的无旋转目标抓取算法,设计抓取位姿估计算法,直接根据物体检测结果估计目标物体的抓取位姿,在非结构化的真实场景中成功实现了多种类型的目标物体的检测及抓取操作。再次,针对未知场景中目标物体可能被部分或完全遮挡的问题,需要机器人既能检测和抓取目标物体,也要能够抓取或移除无法识别的可抓取物体。本文提出了一种考虑旋转的目标检测及抓取方法:通过两点式对抓取进行表示,考虑了机械手的旋转角度;研究了基于卷积神经网络的抓取位姿生成算法,对输入的深度图像快速有效地生成抓取位姿;设计了未知场景中的目标检测及抓取算法结构。机器人目标抓取实验结果表明,该算法能够有效地在多种未知场景中搜索并抓取目标物体,并且与基于检测约束的无旋转目标抓取算法相比,进一步提高了目标抓取的成功率。最后,为了实现智能机器人对不同特性的物体安全稳定的抓取操作,避免抓取操作对物体的损坏,特别是柔软物体和易碎物体,设计了一种基于水凝胶材料的新型柔性电子皮肤式触觉传感器,该传感器具有灵敏的力感知能力,且成本较低、方便使用,可以直接穿戴在机器人上感知机器人与环境的接触信息。研究了基于触觉传感器的机械手柔顺抓取算法,在机械手抓取物体时控制抓取力。将触觉传感器集成在只能进行位置控制的Kinova KG-3机械手上,进行了基于触觉感知的机械手柔顺抓取控制实验,赋予了机械手抓取柔软易碎物体的能力,成功实现了对葡萄、豆腐、鹌鹑蛋、薯片等易碎易损坏物体安全的抓取操作。
二、机械手抓取排序问题(MSP)研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、机械手抓取排序问题(MSP)研究（论文提纲范文）
（2）基于深度学习的双机械手抓取检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题相关的国内外研究现状 |
| 1.2.1 机器人抓取检测研究的国内外现状 |
| 1.2.2 基于深度学习的机器人抓取检测研究的国内外现状 |
| 1.3 本文主要研究内容 |
| 第2章 基于域随机化抓取分析模型的数据集 |
| 2.1 基于域随机化构成的综合训练环境 |
| 2.1.1 用于生成数据集的三维网络模型集 |
| 2.1.2 基于域随机化的机器人抓取分析模型 |
| 2.2 面向真空吸盘夹持器的抓取分析模型 |
| 2.2.1 真空吸盘夹持器的抓取分析环境模型 |
| 2.2.2 吸盘与局部目标表面间的柔性吸盘接触模型 |
| 2.2.3 吸盘抓取策略抵抗外部扳手阻力的评估方法 |
| 2.3 面向二指夹持器的抓取分析模型 |
| 2.4 两种抓取策略的合成数据集 |
| 2.5 本章小结 |
| 第3章 基于卷积神经网络的双机械手抓取检测 |
| 3.1 基于马尔可夫决策过程的双机械手抓取检测评价体系 |
| 3.2 基于卷积神经网络的抓取质量检测模型 |
| 3.2.1 卷积神经网络 |
| 3.2.2 基于交叉熵卷积神经网络的抓取质量检测模型 |
| 3.2.3 基于全卷积层神经网络的抓取质量检测模型 |
| 3.3 本章小结 |
| 第4章 双机械手抓取实验 |
| 4.1 双机械手机器人抓取系统 |
| 4.1.1 不同末端执行器的双机械手 |
| 4.1.2 Realsense D435 深度相机 |
| 4.1.3 机器人抓取实验平台 |
| 4.2 机械手抓取的相机标定 |
| 4.3 机械手抓取实例验证 |
| 4.4 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士期间取得的研究成果 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（3）基于强化学习的机械手智能路径规划方法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 强化学习的研究现状 |
| 1.2.2 深度强化学习在机械手路径规划中的应用的研究现状 |
| 1.2.3 多智能体强化学习的研究现状 |
| 1.3 研究目标及内容 |
| 1.4 本文结构安排 |
| 第二章 基本理论概述 |
| 2.1 强化学习基本理论 |
| 2.1.1 马尔科夫决策过程 |
| 2.1.2 基于Q表的强化学习算法 |
| 2.2 深度强化学习基本理论 |
| 2.3 多智能体强化学习理论 |
| 2.3.1 多智能体马尔科夫博弈论 |
| 2.3.2 多智能体强化学习相关算法 |
| 2.4 本章小结 |
| 第三章 任务分析及仿真模型的建立 |
| 3.1 机械手运动学分析 |
| 3.1.1 机械手坐标系的建立 |
| 3.1.2 运动学求解 |
| 3.2 单机械手路径规划系统模型的构建 |
| 3.2.1 单机械手路径规划任务描述 |
| 3.2.2 机械手工作空间分析 |
| 3.3 双机械手路径规划系统模型的构建 |
| 3.3.1 双机械手协同任务描述 |
| 3.3.2 双机械手工作空间分析 |
| 3.3.3 机械手的碰撞模型 |
| 3.4 仿真模型的建立 |
| 3.4.1 NX内搭建仿真模型 |
| 3.4.1.1 单机械手仿真模型的建立 |
| 3.4.1.2 双机械手仿真模型的建立 |
| 3.4.2 算法程序与仿真模型的通信 |
| 3.5 本章小结 |
| 第四章 基于SAC的单机械手的路径规划研究 |
| 4.1 SAC算法原理 |
| 4.2 SAC算法的改进 |
| 4.2.1 奖励函数的改进 |
| 4.2.2 经验回放池的改进 |
| 4.3 实验与结果分析 |
| 4.3.1 训练说明 |
| 4.3.2 算法参数设置 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第五章 双机械手协同的路径规划研究 |
| 5.1 SAC算法应用于多智能体环境下的问题分析 |
| 5.1.1 环境状态不稳定 |
| 5.1.2 Actor网络间的沟通策略 |
| 5.2 基于SAC算法的多智能体协同策略的改进 |
| 5.2.1 集中训练-分散执行框架 |
| 5.2.2 基于最大熵的多智能体深度强化学习 |
| 5.2.3 MASAC通信模型 |
| 5.2.3.1 基于通信设备的通信机制 |
| 5.2.3.2 基于通信机制的actor网络模型 |
| 5.3 实验与结果分析 |
| 5.3.1 训练说明 |
| 5.3.2 算法参数设置及奖励设置 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
（4）微型电机外壳自动装箱设计（论文提纲范文）
| 0 引言 |
| 1 微型电机外壳自动装箱结构及控制系统设计 |
| 1.1 微型电机自动装箱结构 |
| 1.2 控制系统设计 |
| 2 关键装置设计 |
| 2.1 机壳自动排列装置 |
| 2.2 链板线结构优化设计 |
| 3 生产测试 |
| 4 结束语 |
（5）基于多爪机械手的不规则物体抓取技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究目的及意义 |
| 1.2 国内外研究现状及发展 |
| 1.3 论文的结构安排和具体内容 |
| 第二章 多爪机械手的系统架构 |
| 2.1 硬件平台 |
| 2.1.1 u Hand2.0 多爪机械手 |
| 2.1.2 Turtlebot2移动平台 |
| 2.1.3 RPLIDAR雷达 |
| 2.1.4 Xtion PRO LIVE摄像头 |
| 2.2 ROS机械臂操作系统 |
| 2.2.1 ROS系统介绍 |
| 2.2.2 ROS系统原理及应用 |
| 2.2.3 ROS架构与通信方式 |
| 2.3 Rasppberry Pi控制 |
| 2.3.1 Rasppberry Pi简介 |
| 2.3.2 Rasppberry Pi功能及应用 |
| 2.4 本章小结 |
| 第三章 机器人的建图与导航 |
| 3.1 建图方法 |
| 3.1.1 SLAM与MAP |
| 3.1.2 Gmapping SLAM |
| 3.2 自主导航 |
| 3.2.1 Navigation导航包 |
| 3.2.2 Navigation导航包算法 |
| 3.2.3 Navigation导航包设置 |
| 3.3 自主导航实验 |
| 3.3.1 机器人建图 |
| 3.3.2 机器人自主导航 |
| 3.4 本章小结 |
| 第四章 不规则物体的目标检测技术 |
| 4.1 基于深度学习的目标检测方法 |
| 4.1.1 深度学习 |
| 4.1.2 神经网络 |
| 4.1.3 卷积神经网络 |
| 4.2 不规则物体检测与识别 |
| 4.2.1 物体检测概述 |
| 4.2.2 基于深度学习的检测算法 |
| 4.2.3 Tensor Flow中实现卷积神经网络 |
| 4.3 抓取位置检测 |
| 4.3.1 抓取位置概述 |
| 4.3.2 抓取位置检测算法 |
| 4.3.3 不规则物体识别实验 |
| 4.3.4 不规则物体抓取位置实验 |
| 4.4 本章小结 |
| 第五章 多爪机械手的目标抓取技术 |
| 5.1 多爪机械手控制 |
| 5.1.1 位姿描述与坐标变换 |
| 5.1.2 操作臂运动学和动力学 |
| 5.1.3 多爪机械手控制 |
| 5.2 Rassberry Pi控制机械手 |
| 5.2.1 Rassberry Pi控制 |
| 5.2.2 PC控制实现抓取 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（6）基于单目视觉估计的机械臂运动规划算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及其意义 |
| 1.2 复杂背景三维姿态估计发展概况 |
| 1.3 机械臂研究现状 |
| 1.4 机械臂运动规划研究现状 |
| 1.5 本文主要研究内容及结构 |
| 第2章 基于单目估计机械臂抓取系统 |
| 2.1 系统组成及其开发环境 |
| 2.1.1 系统开发的软硬件环境 |
| 2.1.2 机器视觉系统 |
| 2.1.3 关节的旋转角度与指令的转换关系 |
| 2.1.4 机械臂手系统 |
| 2.1.5 系统通信系统 |
| 2.2 机械臂几何模型 |
| 2.2.1 位姿描述 |
| 2.2.2 机械臂自由度 |
| 2.3 本章小结 |
| 第3章 目标物体定位与位姿估计 |
| 3.1 复杂静态背景图像预处理 |
| 3.2 单目相机成像原理 |
| 3.2.1 几种坐标系的建立及关系 |
| 3.3 摄像机标定 |
| 3.3.1 相机内参标定 |
| 3.3.2 相机畸变 |
| 3.3.3 相机内参标定实验与结果分析 |
| 3.3.4 相机的安装 |
| 3.4 目标物体姿态估计 |
| 3.4.1 PNP算法 |
| 3.4.2 目标物体的虚拟坐标系建立 |
| 3.4.3 目标物体识别 |
| 3.4.4 目标物体2D靶点图像坐标 |
| 3.4.5 目标物体位姿 |
| 3.4.6 目标物体与相机坐标系之间的位姿关系 |
| 3.4.7 目标物体在机械臂基座下的位姿 |
| 3.5 本章小结 |
| 第4章 机械臂抓取算法 |
| 4.1 机械臂正向运动学分析 |
| 4.2 五轴机械臂DH建模 |
| 4.2.1 MDH建模过程 |
| 4.2.2 MDH正向运动学方程 |
| 4.3 机械臂路径规划控制算法 |
| 4.3.1 基于多种群粒子群算法优化机械臂路径规划问题 |
| 4.3.2 种群演化算法及原理 |
| 4.3.3 粒子群演化算法数学模型 |
| 4.3.4 粒子群演化算法基本步骤 |
| 4.3.5 多种群优化算法 |
| 4.3.6 多种群粒子群算法原理 |
| 4.3.7 PSOEL基于机械臂模型运动规划 |
| 4.4 机械手多姿态抓取 |
| 4.4.1 物体在机械臂基坐标系方位角 |
| 4.4.2 基于方位角抓取策略算法 |
| 4.5 系统软件与机械臂之间的通信 |
| 4.6 本章小结 |
| 第5章 仿真与实物实验结果分析 |
| 5.1 目标物体位姿求取 |
| 5.1.1 不同位置下目标物体位置信息 |
| 5.1.2 不同物体的处于某一位置时 |
| 5.1.3 目标物体位置求出实验精度分析 |
| 5.2 MDH正向运动学模型MATLAB仿真 |
| 5.3 多粒子群优化算法在机械臂路径规划中的分析 |
| 5.3.1 PSOEL在不同子种群个数下的结果分析 |
| 5.3.2 在不同的种群大小(PS)下PSOEL的仿真 |
| 5.3.3 在不同的电机运动步长下的结果分析 |
| 5.3.4 在不同的粒子最大的飞行速度(Vmax)下的结果 |
| 5.3.5 在不同的学习率(C_1,C_2)下,PSOEL的结果 |
| 5.3.6 五自由度机械臂的运动规划结果分析 |
| 5.4 机械臂实际与仿真运动对比分析 |
| 5.5 机械手抓取实验 |
| 5.6 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文情况 |
| 致谢 |
（7）图像与数据驱动的连接器生产智能设备研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 基于机器视觉的机器人国内外研究现状 |
| 1.2.2 机器视觉技术研究现状 |
| 1.3 本课题研究目的及意义 |
| 1.4 研究内容 |
| 第2章 智能设备整体结构设计 |
| 2.1 智能设备设计参数 |
| 2.2 抓取机械手设计 |
| 2.3 直角坐标机器人结构总体设计 |
| 2.4 视觉系统设计 |
| 2.4.1 相机选型 |
| 2.4.2 镜头及光源辅件选型 |
| 2.5 智能设备紧定装置的设计及有限元分析 |
| 2.5.1 紧定装置设计 |
| 2.5.2 紧定装置关键部件有限元分析 |
| 2.6 本章小结 |
| 第3章 连接器生产的工况识别与控制器切换 |
| 3.1 成像原理及坐标变换 |
| 3.1.1 坐标系介绍 |
| 3.1.2 坐标系变换 |
| 3.2 相机标定 |
| 3.3 机械手位置标定 |
| 3.4 图像处理 |
| 3.4.1 图像平滑滤波 |
| 3.4.2 像素边缘检测算法 |
| 3.4.3 亚像素边缘检测算法 |
| 3.5 工件识别及控制器切换 |
| 3.5.1 定位样件位置 |
| 3.5.2 工件型号识别 |
| 3.5.3 控制器的切换 |
| 3.6 本章小结 |
| 第4章 基于边缘特征的工件定位研究 |
| 4.1 HSV颜色空间 |
| 4.2 工件定位流程 |
| 4.3 工件定位 |
| 4.3.1 工件粗定位 |
| 4.3.2 工件抓取顺序的制定 |
| 4.3.3 工件的精确定位 |
| 4.3.4 抓取位置的确定 |
| 4.4 本章小结 |
| 第5章 智能设备的运动控制研究 |
| 5.1 控制过程分析 |
| 5.2 控制策略研究 |
| 5.2.1 抓取机械手控制策略 |
| 5.2.2 紧定装置控制策略 |
| 5.3 机器人抓取轨迹分析 |
| 5.4 点到点的S型加减速轨迹规划 |
| 5.5 本章小结 |
| 第6章 智能设备实验平台的搭建及实验分析 |
| 6.1 实验平台搭建 |
| 6.2 控制系统上位机软件 |
| 6.3 实验平台抓取分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 课题展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（8）基于多自由度机械臂的目标抓取力控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械臂的国内外研究现状 |
| 1.2.2 机械手抓取技术的国内外研究现状 |
| 1.3 论文的主要内容 |
| 第2章 目标抓取系统环境搭建 |
| 2.1 目标抓取系统的原理及构建 |
| 2.2 六自由度机械臂运动学分析 |
| 2.2.1 运动学分析的数学基础 |
| 2.2.2 正运动学分析 |
| 2.2.3 逆运动学分析 |
| 2.3 深度相机的目标匹配系统搭建 |
| 2.3.1 基于图像特征的目标匹配方法 |
| 2.3.2 目标位姿检测 |
| 2.4 机械手小型系统搭建 |
| 2.4.1 机械手小型系统原理 |
| 2.4.2 抓取力采集与传感器校正 |
| 2.4.3 机械手结构与系统处理器硬件构成 |
| 2.5 本章小结 |
| 第3章 六自由度机械臂运动控制设计与实现 |
| 3.1 ROS平台概述 |
| 3.1.1 ROS平台的背景介绍 |
| 3.1.2 ROS平台的框架构成 |
| 3.1.3 机械臂URDF建模 |
| 3.1.4 基于ROS的 Move It!平台 |
| 3.2 机械臂运动轨迹规划原理 |
| 3.2.1 空间直线轨迹规划原理 |
| 3.2.2 空间圆弧轨迹规划原理 |
| 3.3 基于Move It!平台的机械臂运动控制实现 |
| 3.3.1 关节空间运动实现 |
| 3.3.2 笛卡尔空间运动实现 |
| 3.3.3 RRT算法原理及自主避障运动实现 |
| 3.4 本章小结 |
| 第4章 机械手抓取力控制研究 |
| 4.1 抓取力模糊增量式PID控制算法原理 |
| 4.1.1 增量式PID控制算法原理 |
| 4.1.2 模糊控制理论概述 |
| 4.2 抓取力模糊增量式PID控制算法实现 |
| 4.2.1 系统传递函数辨识 |
| 4.2.2 抓取力模糊增量式PID控制算法实现 |
| 4.3 抓取力模糊增量式PID控制仿真实验 |
| 4.4 本章小结 |
| 第5章 抓取力控制实验及性能分析 |
| 5.1 目标抓取力控制实验 |
| 5.1.1 实验综述及准备 |
| 5.1.2 实验过程及结果 |
| 5.2 结果分析 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（9）基于SVM标定算法的气门视觉抓取系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 视觉引导机器人抓取系统国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状总结及问题分析 |
| 1.3 本文主要内容 |
| 1.3.1 本课题相关技术 |
| 1.3.2 本文结构安排 |
| 2 视觉引导抓取系统平台设计方案 |
| 2.1 气门抓取系统设计要求及方案 |
| 2.1.1 系统设计技术要求 |
| 2.1.2 系统设计方案 |
| 2.2 系统平台整体设计 |
| 2.2.1 ABB工业机器人系统 |
| 2.2.2 相机与镜头选型 |
| 2.2.3 投影仪选型 |
| 2.2.4 标定板选型 |
| 2.2.5 气动吸盘工具 |
| 2.2.6 编程环境与工具库的介绍 |
| 2.3 本章小结 |
| 3 目标工件图像处理及识别定位 |
| 3.1 目标工件的识别定位方法及流程 |
| 3.2 基于改进的分水岭算法的图像Blob提取 |
| 3.2.1 图像预处理 |
| 3.2.2 应用分水岭算法的图像分割 |
| 3.2.3 应用改进分水岭算法的图像分割 |
| 3.3 目标工件图像的椭圆拟合 |
| 3.3.1 应用Sobel算子对目标工件边缘提取 |
| 3.3.2 基于提取ROI区域的Hough变换椭圆拟合 |
| 3.4 本章小结 |
| 4 工业机器人立体视觉系统标定 |
| 4.1 单目相机成像及标定模型 |
| 4.1.1 工业相机成像原理 |
| 4.1.2 单目相机标定 |
| 4.1.3 相机成像的畸变模型 |
| 4.2 光栅投影式立体视觉模型 |
| 4.3 光栅图像相位求解 |
| 4.4 应用SVM算法的相位—三维坐标标定 |
| 4.4.1 基于SVM算法的标定方法拟定 |
| 4.4.2 建立SVM回归模型 |
| 4.4.3 标定实验及误差分析 |
| 4.4.4 目标工件空间位姿确定 |
| 4.5 机器人执行端—相机手眼标定 |
| 4.6 本章小结 |
| 5 视觉引导识别抓取系统的测试 |
| 5.1 MATLAB与 C/C++混合编程 |
| 5.2 MATLAB与 ABB工业机器人建立通讯 |
| 5.3 视觉引导工业机器人抓取测试 |
| 5.3.1 视觉引导工业机器人抓取策略拟定 |
| 5.3.2 视觉引导工业机器人抓取仿真 |
| 5.3.3 视觉引导工业机器人抓取实测 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介及在学期间发表的学术论文与研究成果 |
| 致谢 |
（10）智能机器人目标抓取关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械臂运动学标定研究现状 |
| 1.2.2 基于视觉感知的机器人目标抓取研究现状 |
| 1.2.3 触觉传感器研究现状 |
| 1.2.4 机械手柔顺抓取控制研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 机器人运动学及视觉系统标定方法研究 |
| 2.1 机械臂运动学建模及标定方法 |
| 2.1.1 基于改进DH方法的机械臂运动学建模方法 |
| 2.1.2 基于直线约束的机械臂运动学标定方法概述 |
| 2.1.3 基于直线约束的运动学标定模型 |
| 2.1.4 机械臂初始标定位姿生成 |
| 2.1.5 基于视觉控制的特征点对齐算法 |
| 2.1.6 运动学参数辨识算法 |
| 2.2 机械臂运动学参数标定实验 |
| 2.3 机器人视觉系统模型及标定算法 |
| 2.3.1 相机模型 |
| 2.3.2 相机标定算法 |
| 2.3.3 手眼标定算法 |
| 2.4 机器人视觉系统标定实验 |
| 2.4.1 深度相机标定试验 |
| 2.4.2 “眼在手外”标定实验 |
| 2.4.3 “眼在手上”标定实验 |
| 2.5 本章小结 |
| 第3章 基于检测约束的智能机器人目标抓取算法研究 |
| 3.1 基于视觉的智能机器人抓取系统构建 |
| 3.1.1 基于视觉的智能机器人抓取硬件系统 |
| 3.1.2 基于视觉的智能机器人抓取软件系统 |
| 3.2 基于RGB图像的物体实时检测算法研究 |
| 3.2.1 卷积神经网络 |
| 3.2.2 YOLOv3检测算法 |
| 3.2.3 基于RGB图像的物体实时检测 |
| 3.3 深度相机的图像处理算法 |
| 3.3.1 深度信息测量原理 |
| 3.3.2 图像匹配算法 |
| 3.3.3 深度信息修复 |
| 3.4 基于检测约束的无旋转目标抓取算法 |
| 3.4.1 基于检测约束的无旋转目标抓取算法结构 |
| 3.4.2 物体边界框矫正 |
| 3.4.3 基于检测约束的无旋转抓取位姿估计 |
| 3.4.4 机器人操作空间中的抓取位姿估计 |
| 3.5 基于检测约束的无旋转目标抓取实验 |
| 3.5.1 实验平台及场景 |
| 3.5.2 基于检测约束的无旋转目标抓取实验过程 |
| 3.5.3 基于检测约束的无旋转目标抓取实验结果及分析 |
| 3.6 本章小结 |
| 第4章 考虑旋转的目标搜索及抓取算法研究 |
| 4.1 未知场景中目标检测及抓取问题分析 |
| 4.2 考虑旋转的目标检测及抓取算法 |
| 4.2.1 两点式抓取表示法 |
| 4.2.2 图像抓取位姿生成 |
| 4.2.3 考虑旋转的目标检测及抓取算法 |
| 4.3 考虑旋转的目标检测及抓取实验 |
| 4.3.1 实验平台及场景 |
| 4.3.2 考虑旋转的目标检测及抓取实验过程 |
| 4.3.3 考虑旋转的目标检测及抓取实验结果及分析 |
| 4.4 本章小结 |
| 第5章 基于触觉感知的机械手柔顺抓取控制算法研究 |
| 5.1 机械手触觉感知与柔顺抓取概述 |
| 5.2 基于水凝胶材料的柔性电子皮肤式触觉传感器 |
| 5.2.1 超分子聚合物水凝胶材料 |
| 5.2.2 基于水凝胶材料的柔性电子皮肤式触觉传感器设计及其特性分析 |
| 5.3 基于自适应阻抗控制的机械手柔顺抓取控制算法 |
| 5.3.1 阻抗控制算法 |
| 5.3.2 阻抗控制特性分析 |
| 5.3.3 自适应阻抗控制算法 |
| 5.3.4 自适应阻抗控制仿真实验 |
| 5.4 基于触觉的机械手柔顺抓取控制实验 |
| 5.4.1 实验装置 |
| 5.4.2 基于触觉压力感知的物体柔顺抓取实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、机械手抓取排序问题(MSP)研究（论文参考文献）
- [1]新型柔性抓取机械手的研究[D]. 徐向鑫. 沈阳建筑大学, 2021
- [2]基于深度学习的双机械手抓取检测研究[D]. 廖尚春. 武汉科技大学, 2021(01)
- [3]基于强化学习的机械手智能路径规划方法的研究[D]. 柳依辰. 电子科技大学, 2021(01)
- [4]微型电机外壳自动装箱设计[J]. 谢佳娜,陈敏生. 自动化与仪器仪表, 2020(07)
- [5]基于多爪机械手的不规则物体抓取技术[D]. 段帅帅. 中北大学, 2020(12)
- [6]基于单目视觉估计的机械臂运动规划算法[D]. 袁蒙恩. 河南大学, 2020(02)
- [7]图像与数据驱动的连接器生产智能设备研究[D]. 赵校伟. 沈阳工业大学, 2020(01)
- [8]基于多自由度机械臂的目标抓取力控研究[D]. 秦晓伟. 长春理工大学, 2020(01)
- [9]基于SVM标定算法的气门视觉抓取系统研究[D]. 王亚龙. 郑州大学, 2020(02)
- [10]智能机器人目标抓取关键技术研究[D]. 谢心如. 哈尔滨工程大学, 2020(04)