基于三维重建的机器人识别与装配方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 工业机器人及其装配作业 | 第9-10页 |
| 1.1.2 RGB-D传感器与立体视觉 | 第10-11页 |
| 1.2 研究内容 | 第11-12页 |
| 1.2.1 研究目的 | 第11页 |
| 1.2.2 研究意义 | 第11-12页 |
| 1.2.3 研究工作 | 第12页 |
| 1.3 研究现状 | 第12-18页 |
| 1.3.1 视点规划和三维重建原理 | 第12-14页 |
| 1.3.2 深度学习与卷积神经网络 | 第14-16页 |
| 1.3.3 三维物体识别 | 第16页 |
| 1.3.4 物体抓取方法 | 第16-18页 |
| 1.4 论文组织结构 | 第18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 工业机器人与三维重建方法 | 第19-41页 |
| 2.1 三维重建与视点规划概述 | 第19-20页 |
| 2.2 自动三维重建系统的结构 | 第20-23页 |
| 2.2.1 点云 | 第21页 |
| 2.2.2 空间的体素表示方法 | 第21-22页 |
| 2.2.3 路径规划和碰撞检测 | 第22-23页 |
| 2.2.4 工业机器人数学描述 | 第23页 |
| 2.3 三维重建的视点规划方法 | 第23-31页 |
| 2.3.1 需求和限制 | 第23-25页 |
| 2.3.2 方法及设计 | 第25-31页 |
| 2.4 实验与结果 | 第31-40页 |
| 2.4.1 Stanford Bunny模拟实验 | 第31-33页 |
| 2.4.2 候选视点生成和筛选算法 | 第33-34页 |
| 2.4.3 多工业机器人的计算效率 | 第34-35页 |
| 2.4.4 比较试验 | 第35-37页 |
| 2.4.5 实际应用 | 第37-38页 |
| 2.4.6 实验 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 基于机器视觉的三维物体识别 | 第41-51页 |
| 3.1 三维物体识别概述 | 第41-42页 |
| 3.2 三维物体识别方法 | 第42-47页 |
| 3.2.1 卷积神经网络模型结构 | 第42-46页 |
| 3.2.2 三维物体识别方法实现 | 第46-47页 |
| 3.3 实验与结果 | 第47-49页 |
| 3.3.1 识别准确率 | 第47-48页 |
| 3.3.2 运行效率 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 工业机器人对物体的抓取方法 | 第51-57页 |
| 4.1 物体抓取概述 | 第51页 |
| 4.2 抓取规划方法 | 第51-53页 |
| 4.2.1 候选抓取点的生成 | 第51-52页 |
| 4.2.2 候选抓取点的评分 | 第52-53页 |
| 4.3 实验与结果 | 第53-56页 |
| 4.3.1 工业机器人抓取方法实验 | 第53-54页 |
| 4.3.2 抓取规划方法的计算效率 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 总结与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |
