​机械臂的智能抓取

机械臂抓取需要确定每段机械臂的位姿

首先，机械臂需要视觉伺服系统，来确定物体的位置，根据末端执行器（手）和视觉传感器（眼）的相对位置，可分为Eye-to-Hand和Eye-in-Hand两种系统。

Eye-to-Hand的分离式分布，视野固定不变，如果相机的标定精度高的话，那么视觉定位于抓取的精度也越高。

Eye-in-Hand则将机械臂与视觉传感器固定在一起，视野随机械臂的移动而改变，传感器越近时精度越高，但过于靠近时则可能使目标超出视野范围。

精密的视觉系统与灵活机械臂的配合，才能完成一次完美的抓取，而这正是当前机器人操作中的核心难题，归纳起来就是这么一件事：找到合适的抓取点（或吸附点），抓住它。之后的转运执行，则属于运动规划的分支。

目前几种主流的解决方案

Model-based（基于模型的方法）

这种方法很好理解，即知道要抓什么，事先采用实物扫描的方式，提前将模型的数据给到机器人系统，机器在实际抓取中就只需要进行较少的运算：

1. 离线计算：根据搭载的末端类型，对每一个物体模型计算局部抓取点；

2. 在线感知：通过RGB或点云图，计算出每个物体的三维位姿；

3. 计算抓取点：在真实世界的坐标系下，根据防碰撞等要求，选取每个物体的最佳抓取点。

RGB颜色空间由红绿蓝三种基本色组成，叠加成任意色彩，同样地，任意一种颜色也可以拆解为三种基本色的组合，机器人通过颜色坐标值来理解“颜色”。这种方式与人眼识别颜色的方向相似，在显示屏上广泛采用。

Half-Model-based（半模型的方法）

在这种训练方式中，不需要完全预知抓取的物体，但是需要大量类似的物体来训练算法，让算法得以在物品堆中有效对图像进行“分割”，识别出物体的边缘。这种训练方式，需要这些流程：

1.离线训练图像分割算法，即把图片里的像素按物体区分出来，此类工作一般由专门的数据标注员来处理，按工程师的需求，标注出海量图片中的不同细节；

2.在线处理图像分割，在人工标注出的物体上，寻找合适的抓取点。

这是一种目前应用较为广泛的方式，也是机械臂抓取得以推进的主要推力。机械臂技术发展缓慢，但计算机视觉的图像分割则进展迅速，也从侧面撬动了机器人、无人驾驶等行业的发展。

Model-free（自由模型）

这种训练方式不涉及到“物体”的概念，机器直接从RGB图像或点云图上计算出合适的抓取点，基本思路就是在图像上找到Antipodal（对映点），即有可能“抓的起来”的点，逐步训练出抓取策略。这种训练方式往往让机器手大量尝试不同种类的物品，进行self-supervised learning，Google的Arm Farm，即为其中的代表之一。

从抓取方法上分类可以分成两种：基于分析方法（Analytical），基于数据驱动（Data-driven）。

分析方法：主要是基于动力学及几何学的分析，一般要求知道物体的模型（known object），集大成之作为李泽湘教授的《机器人操作的数学导论》。书中基于旋量理论，介绍了很多机器人manipulation的基础。分析方法有助于我们理解整个抓取过程，理解哪些物理量会影响抓取的稳定性。

数据驱动：主要是基于深度学习、强化学习方法。允许机械臂抓取未知模型的物体（Unknown object）和熟悉的物体（familiar object）。由于是基于深度学习的兴起而发展的，还属于比较新的研究领域，目前还没有发现相关的著作（如果有希望能够推荐一下）。比较经典的入门系列是：的研究领域，目前还没有发现相关的著作（如果有希望能够推荐一下）。比较经典的入门系列是：Dex-net系列。提供了代码、数据集、工程视频，论文也讲的比较清楚。（Dex-Net by BerkeleyAutomation) 数据驱动又可以分为三种方式：learning from human demonstration、learning from labeled training data、trail and error. 分别涉及到的技术为：imitation learning、deep learning、reinforcement learning.

 同时根据抓取物体的特点分类，我们可以分成三类: know object、familiar object、unknown object。

对于known object一般的pipeline为：

 对于familiar object, pipeline为：

 对于unknown object, pipeline为：