引用本文:万琴,宁顺兴,钟杭,何勇,段小刚,王耀南,吴迪,沈学军.面向弱纹理工件的6D位姿估计与机械臂抓取方法[J].控制理论与应用,2025,42(7):1443~1452.[点击复制]
WAN Qin,NING Shun-xing,ZHONG Hang,HE Yong,DUAN Xiao-gang,WANG Yao-nan,WU Di,SHEN Xue-jun.6D pose estimation and robotic arm grasping method for weakly rextured workpiece[J].Control Theory & Applications,2025,42(7):1443~1452.[点击复制]
面向弱纹理工件的6D位姿估计与机械臂抓取方法
6D pose estimation and robotic arm grasping method for weakly rextured workpiece
摘要点击 3775  全文点击 289  投稿时间：2023-09-20  修订日期：2025-02-14
查看全文  查看/发表评论  下载PDF阅读器   HTML
DOI编号  10.7641/CTA.2024.30636
  2025,42(7):1443-1452
中文关键词  深度学习  6D位姿估计  目标检测  轨迹规划  机械臂抓取
英文关键词  deep learning  6D pose estimation  target detection  trajectory planning  robotic arm grasping
基金项目  国家自然科学基金青年项目(62006075), 湖南省重点研发计划项目(2021GK2024), 湖南省杰出青年科学基金项目(2021JJ10002), 湖南省自然科学 基金项目(2022JJ30198), 湖南省教育厅项目(21A0460), 湖南省研究生科技创新一般项目(CX20231287)资助.
作者单位E-mail
万琴* 湖南工程学院 电气与信息工程学院 wanqin_10@126.com 
宁顺兴 湖南工程学院 电气与信息工程学院  
钟杭 湖南大学 机器人视觉感知与控制技术国家工程实验室  
何勇 湖南中南智能装备有限公司  
段小刚 湖南中南智能装备有限公司  
王耀南 湖南大学 机器人视觉感知与控制技术国家工程实验室  
吴迪 湖南工程学院 电气与信息工程学院  
沈学军 湖南工程学院 电气与信息工程学院  
中文摘要
      针对复杂工业场景中机械臂难以对弱纹理工件进行有效抓取的问题, 本文提出了一种面向弱纹理工件的 6D位姿估计与机械臂抓取方法. 首先, 为提高弱纹理工件6D位姿估计的准确性, 结合YOLOV5和PVN3D-Tiny提出 了一种新的两阶段位姿估计算法(YOLO-PVN3D); 其次, 采用七次多项式插值法规划机械臂运动轨迹, 根据碰撞检 测参数和运动学指标建立适应度函数, 并通过遗传算法进行优化, 以解决抓取过程中机械臂与障碍物产生碰撞的问 题; 然后, 针对真实数据匮乏且容易造成模型过拟合的问题, 采用了真实数据和合成数据相结合的方式制作了工业 零件数据集POSE8K; 最后, 在公共数据集和自制数据集进行了对比实验, 并在障碍物遮挡和光照变化场景下完成 了真实机械臂抓取实验. 经实验验证了所提方法具有较好的性能.
英文摘要
      In order to solve the problem that it is difficult for robotic arm to effectively grasp weakly textured workpieces in complex industrial scenarios. This paper proposes a 6D pose estimation and robotic arm grasping method for weakly textured workpieces. Firstly, a new two-stage pose estimation algorithm (YOLO-PVN3D) is proposed by combining YOLOV5 and PVN3D-Tiny to improve the accuracy of 6D pose estimation for weakly textured workpieces. Then, the seventh-order polynomial interpolation method is adopted to plan the movement trajectory of the manipulator, integrate the collision detection results and kinematic indicators to establish a fitness function, and optimize it through a genetic algorithm to solve the problem of collision between robotic arm and obstacles during gripping process. Moreover, a datasets POSE8K is created by combining real data and synthetic data to tackle the problem of insufficient real-world data and the risk of model overfitting. Finally, comparative experiments were conducted on public datasets and the custom datasets. In addition real-world robot grasping experiments were performed in scenarios with occlusions and varying lighting conditions. The experimental results demonstrate that the proposed method achieves superior performance.