机器人抓.

从一个学习的例子中可以最大限度地提高有效抓取的可能性的机械手. v

伯明翰大学标志
About 伯明翰大学

在伯明翰大学,我们的研究引领新发明,推动创新和业务增长.

Tech Overview.

有什么问题?

机械手通常被设计和制造来执行有限数量的动作,这些动作要么是已经学会的,要么是专门为它们设计的. 目前的手学习抓取以前从未遇到过的新物体的能力非常有限

一个新的解决方案:

一种机械手,它可以通过一个已知的例子来确定每个机械手之间的最佳空间关系
手的一部分和物体的表面轮廓,以最大限度地提高有效抓取的可能性.

进一步的细节:

掌握各种新奇事物的能力是一个有待解决的问题. 该大学的研究人员已经解决了这一挑战,并开发了软件来解决在物体之间传递握力的问题. 给定一个或多个抓取示例,该算法旨在捕获手部及其手指相对于邻近物体表面的配置,并使手部和手指适应新物体的形状. 该方法依赖于捕捉抓取过程中两个互补方面的一对模型. 首先,接触模型捕获了与物体表面局部特征相关的手部构造. 当给定一个新物体的三维模型时,开发了一个接触模型,该模型允许机器人计算手部每个部位的一组姿态. 如果一个机器人装备有N个手零件,则可实例化N个接触模型.

其次,手部构型模型捕获一组手部形状,这些手部形状符合从接触模型发展而来的演示抓取. 这允许一组相应的姿势同时实现由手部分而不偏离演示抓取.

算法产生许多可能的抓取, 每个具有一组手部的抓取装置独立地符合所述接触模型和所述手配置模型并选择最优抓取装置.

做一个调查.