| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景及研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-19页 |
| 1.3.1 卷积神经网络研究现状 | 第11-14页 |
| 1.3.2 机器人抓取规划研究现状 | 第14-19页 |
| 1.4 本文的主要研究内容 | 第19-21页 |
| 第2章 机器人自动抓取规划系统的框架与模型 | 第21-47页 |
| 2.1 引言 | 第21页 |
| 2.2 机器人自动抓取规划系统框架 | 第21-22页 |
| 2.3 深度相机模型 | 第22-29页 |
| 2.3.1 结构光三维成像原理 | 第23-26页 |
| 2.3.2 针孔相机模型 | 第26-28页 |
| 2.3.3 深度相机的内参和外参 | 第28-29页 |
| 2.4 机器人抓取模型 | 第29-38页 |
| 2.4.1 接触力建模 | 第29-32页 |
| 2.4.2 抓取矩阵和爪手雅可比矩阵 | 第32-34页 |
| 2.4.3 抓取模型二维空间的简化 | 第34-35页 |
| 2.4.4 二维有摩擦点接触抓取力封闭性判断 | 第35-38页 |
| 2.5 基于卷积神经网络的抓取规划模型 | 第38-46页 |
| 2.5.1 使用抓取框表示抓取 | 第38-39页 |
| 2.5.2 抓取位姿的映射规则 | 第39-41页 |
| 2.5.3 卷积神经网络的基本计算单元 | 第41-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第3章 先采样候选抓取再分类的抓取检测网络GDN | 第47-63页 |
| 3.1 引言 | 第47页 |
| 3.2 候选抓取采样算法 | 第47-49页 |
| 3.3 GDN网络架构 | 第49-51页 |
| 3.4 迁移学习的步骤 | 第51-53页 |
| 3.5 训练数据集 | 第53-57页 |
| 3.5.1 卡耐基梅隆抓取数据集 | 第53页 |
| 3.5.2 数据集类别不均衡的处理方法 | 第53-54页 |
| 3.5.3 输入图像的预处理 | 第54-57页 |
| 3.6 GDN模型的确定 | 第57-62页 |
| 3.6.1 迁移网络时训练方式的选择 | 第57-59页 |
| 3.6.2 微调时进行调整的层数选择 | 第59-60页 |
| 3.6.3 全连接层结构的选择 | 第60-61页 |
| 3.6.4 不同特征提取网络的选择 | 第61-62页 |
| 3.7 本章小结 | 第62-63页 |
| 第4章 端对端的像素级抓取检测网络PixelGDN | 第63-75页 |
| 4.1 引言 | 第63页 |
| 4.2 PixelGDN网络架构 | 第63-66页 |
| 4.3 训练数据集 | 第66-69页 |
| 4.3.1 康奈尔抓取数据集 | 第66-67页 |
| 4.3.2 生成类别掩码图像 | 第67-68页 |
| 4.3.3 数据集增强 | 第68-69页 |
| 4.4 网络输出的可视化 | 第69-70页 |
| 4.5 PixelGDN模型的确定 | 第70-73页 |
| 4.5.1 单模态多模态输入的选择 | 第70-72页 |
| 4.5.2 网络输出形式的选择 | 第72-73页 |
| 4.6 与已有算法在康奈尔抓取数据集上的性能对比 | 第73-74页 |
| 4.7 本章小结 | 第74-75页 |
| 第5章 机器人自动抓取系统仿真和实验 | 第75-92页 |
| 5.1 引言 | 第75页 |
| 5.2 自动抓取系统的评价方法 | 第75-76页 |
| 5.2.1 抓取框评价指标 | 第75页 |
| 5.2.2 抓取仿真实验成功率 | 第75-76页 |
| 5.3 机器人自动抓取系统仿真 | 第76-82页 |
| 5.3.1 基于ROS实现机器人自动抓取规划系统 | 第76-77页 |
| 5.3.2 Gazebo仿真器 | 第77-78页 |
| 5.3.3 抓取仿真实验的机器人模型 | 第78-80页 |
| 5.3.4 抓取仿真测试用的物体模型 | 第80页 |
| 5.3.5 抓取仿真实验流程 | 第80-82页 |
| 5.4 仿真环境抓取检测实验结果及分析 | 第82-86页 |
| 5.5 真实相机抓取检测实验结果及分析 | 第86-89页 |
| 5.6 针对实验结果进行的改进 | 第89-90页 |
| 5.7 本章小结 | 第90-92页 |
| 结论 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 攻读学位期间发表的学术论文 | 第98-100页 |
| 致谢 | 第100页 |