基于深度强化学习的机械臂视觉抓取控制优化方法
Visual Grasp Control Optimization Method and System for Manipulator Based on Deep Reinforcement Learning
DOI: 10.12677/AIRR.2018.74024, PDF,  被引量   
作者: 林 邦, 周 伟, 范江波, 李 锐：云南电网有限责任公司昭通供电局，云南 昭通
关键词: 深度学习；机械臂；机器视觉；抓取策略；Deep Learning； Manipulator Arm； Machine Vision； Grasping Strategy
摘要: 针对提高视觉图像特征与优化控制之间契合度的问题，本文提出一种基于深度强化学习的机械臂视觉抓取控制优化方法，可以自主地从与环境交互产生的视觉图像中不断学习特征提取，直接地将提取的特征应用于机械臂抓取控制。通过不断的抓取实验，优化机械臂抓取策略，最终获得优秀的抓取策略。并且可以针对不同的抓取任务和抓取环境，学习相应的机械臂抓取控制策略。
Abstract: In order to improve the compatibility between visual image features and optimal control, this paper proposes an optimization method for visual grasp control of manipulator arm based on deep reinforcement learning, which can extract features from visual images generated by interaction with the environment independently and directly apply the extracted features. By continuously grasping the experiment and optimizing the manipulator arm grabbing strategy, an excellent grasping strategy is finally obtained. And we can learn the grasping control strategy of the manip-ulator according to different grasping tasks and grasping environment.
文章引用：林邦, 周伟, 范江波, 李锐. 基于深度强化学习的机械臂视觉抓取控制优化方法[J]. 人工智能与机器人研究, 2018, 7(4): 200-206. https://doi.org/10.12677/AIRR.2018.74024

参考文献

[1] 曾毅, 刘成林, 谭铁牛. 类脑智能研究的回顾与展望[J]. 计算机学报, 2016, 39(1): 212-222.
[2] 朱虎明, 李佩, 焦李成, 等. 深度神经网络并行化研究综述[J]. 计算机学报, 2018, 41(8): 1861-1881.
[3] Kang, L., Ye, P., Li, Y. and Doermann, D. (2014) Convolutional Neural Networks for no-Reference Image Quality Assessment. Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition, Columbus, 23-28 June 2014, 1733-1740. [Google Scholar] [CrossRef] 
[4] Ren, S.Q., He, K.M., Girshick, R., et a1. (2015) Faster R-CNN: Towards Re-al-Time Object Detection with Region Proposal Networks. Proceedings of the Neural Information and Processing System, Montreal, 7-12 December 2015, 91-99.
[5] 马玉芳. 基于智能视觉的微型高精度图像采集系统设计[J]. 现代电子技术, 2018, 41(19): 67-70.
[6] 孔峻. 深度卷积神经网络在计算机视觉中的应用[J]. 电子技术与软件工程, 2018(21): 130-131.
[7] 王曌, 胡立生. 基于深度Q学习的工业机械臂路径规划方法[J]. 化工自动化及仪表, 2018(2): 141-145.
[8] 李文博. 基于视觉伺服的机械臂控制系统研究[D]: [硕士学位论文]. 南京: 南京理工大学, 2016.
[9] 李宇飞, 高朝辉, 申麟. 基于视觉的机械臂空间目标抓取策略研究[J]. 中国科学: 技术科学, 2015, 45(1): 31-35.
[10] 王军南, 丛爽. 基于视觉定位的二自由度机械臂控制系统[J]. 机械与电子, 2008(2): 49-52.
[11] 杨马英, 葛轶众. 基于BP神经网络的机械臂视觉伺服控制[J]. 计算机应用, 2017(a02): 279-282.
[12] 白成超, 晏卓, 宋俊霖. 结合深度学习的机械臂视觉抓取控制[J]. 载人航天, 2018, 21(3): 299-307.
[13] Redmon, J., Divvala, S., Girshick, R., et al. (2016) You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, 26-30 June 2016, 779-788. [Google Scholar] [CrossRef] 
[14] Redmon, J. and Farhadi, A. (2016) YOLO9000: Better, Faster, Stronger. 2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, 21-26 July 2017, 6517-6525.
[15] 薛天. 深度强化学习原理及其在机器人运动控制中的运用[J]. 通讯世界, 2018(8): 240-241.
[16] 任秉银, 魏坤, 吴卓琦. 机械臂视觉伺服路径规划研究进展[J]. 哈尔滨工业大学学报, 2018, 50(1): 1-10.
[17] 陈学松, 杨宜民. 基于执行器-评价器学习的自适应PID控制[J]. 控制理论与应用, 2011, 28(8): 1187-1192.

为你推荐