机器人抓取一直是业界的一大难题，最近，澳大利亚昆士兰科技大学的机器人学家们开发出了一种新的方法，让机器人可以更快、更准确地抓取物体，包括混乱和多变的环境中，这可能会提高其在工业和家庭环境中的实用性。

新的方法是基于生成式抓取卷积神经网络，允许机器人快速扫描环境，并使用深度图像映射其捕获的每个像素，提升抓取质量。经过现实世界的测试，其在动态环境中的抓取准确率已经达到88%，而在静态环境中的抓取准确率更是高达92%。

昆士兰科技大学的jurgen leitner博士表示，对于人类来说，抓取物体只是一个非常简单的基本任务，但对于机器人来说却非常困难，几乎是个不可能完成的任务。

leitner说，“在非常受控的环境中，我们可以编程让机器人去抓取某种特定的物件。然而，目前机器人抓取系统的一个主要缺点是无法快速适应变化，例如当物体移动时。”

他还表示，“世界是不可预测的，事物在不断发生变化、移动且混乱，而且往往会在没有任何警告的情况下发生，所以机器人需要能够在非结构化的环境中适应和工作，如果我们希望它们有效的话。”

为此，由leitner领导的团队首先开发了一个人工神经网络（一种基于人工智能的系统，让计算机通过分析示例来学习任务）。通过使用该网络和深度测绘相机，双指抓取机器人随后能够制作位于其前方的移动且杂乱的物体集合的逐像素深度图，然后确定最佳抓取方法用于抓取这些物体中的任何一个。这是一种实时的、对象无关的闭环综合抓取方法。

leitner的团队成员还包括博士研究员douglas morrison和昆士兰科技大学科学与工程学院的杰出教授peter corke。

morrison说，“生成式抓取卷积神经网络方法通过预测每个像素处的双指抓握的质量和姿态来工作。通过在一次扫描中使用深度图像映射它前面的内容，机器人在做出决定之前不需要采样许多不同的可能抓握，避免了漫长的计算时间。”

“在我们的实际测试中，我们对一组以前未见过的几何物体的抓取成功率为83％，对一组移动的家居物体的抓取成功率为88％。我们在抓取动态混乱的物体成功率为81%。”

leitner博士说，这种方法克服了目前深度学习抓取技术的一些局限性。

他说，“举个例子，在2017年的亚马逊抓取挑战赛中，我们赢得了冠军。我们的机器人cartman先查看一堆物品，然后做出决定哪里是抓取一个物品的最佳位置，然后盲目地去尝试抓取它。”

他表示，“使用这种新方法，我们可以在大约20毫秒内处理机器人查看的对象的图像，这允许机器人更新其关于抓取物体的位置的决定，然后可以更大胆去做。这在杂乱的空间中尤为重要。”

leitner博士表示，这些改进对于工业自动化和家庭环境是有价值的。

leitner博士说，“这项研究使我们能够使用机器人系统，而不仅仅是在基于机器人能力构建整个工厂的结构化设置中。它还允许我们抓取非结构化环境中的对象，其中事物没有被完美地规划和排序，并且机器人需要适应变化。这对于工业非常有利，不管是在线购物的仓库分类，还是水果采摘。它也可以应用在家里。因为现在智能机器人越来越多，不仅仅是扫地或拖地，而且还可以拾取物品并将其收拾好。”

动作捕捉

动作捕捉服务

无线动作捕捉系统

无线动作捕捉系统