三维物体抓取合成算法的概述

三维物体抓取合成算法的概述 摘要

本文概要介绍了生成三维对象掌握自主机器人多指手的计算算法。机械手抓一直是一个活跃的研究课题，几十年来，已经花了大量的精力掌握合成算法。现有的论文重点审查把握和手指–物体接触作用比基和库马尔力学（2000）[ 12 ]或机械手的设计和控制gallaf等人。（1993）[ 70 ]。机器人抓取合成算法已经进行了希莫加（1996）[ 71 ]，但自那以来，对学习技术应用于抓取问题取得了重要进展。本文着重于分析以及实际抓取的合成方法。 1.介绍说明

在过去的几十年里，机器人抓取的研究已经蓬勃发展。已经开发了几种算法，用于合成机器人的抓取，以实现稳定，强制关闭，任务的兼容性和其他属性。不同的方法已经发展到满足这些目标，和大幅的改进要求。因此，我们的目的，大量算法的可用性使得它难以选择，因为他们的方法和假设是不同的。本概述的主要目标是使选择算法提供他们比较容易的任务。。

在一个任务执行过程中，机械手的灵巧性、平衡性、稳定性和动态性等特性，使其在任务执行过程中得到控制。这样的控制方案，需要计算的手指参数（手指和关节的位置和力量）的方法。这些算法被称为机器人抓取合成算法。

本文组织如下。第2节介绍了所使用的术语和基本知识，掌握分析。第3和4次审查算法的基础上的分析和实证方法。通过

分析的方法，我们的基础上的几何，运动学和/或动态配方的把握合成问题的基础上。实证方法通过模仿或模仿人类抓取的策略避免的物理和数学模型计算。 2.背景和术语

夹持器的基本功能是抓取物体，并通过它的手指操纵它们。在把握配置选择的基本属性之一是固定的抓取对象（其平衡），对可能的外部干扰。一组手指抓取对象的指尖也可以看到，从机械的角度来看，作为分布在物体表面上的阻抗[ 1 ]。

在掌握文献中所使用的术语，平衡，稳定，强制关闭和形式关闭条款有一个广泛的差距[ 2，7 ]。我们采用[ 4 ]中所用的术语，并在下列相应的定义中总结。

考虑一个对象在接触点掌握的对象。在每个触点位置，该对象是受正常/切向力和扭转力矩的正常。我们表示这些机械手的WNI，WTI和Wθ分别，及其相应的幅度由CNI，CTI和Cθ我。每个联系人可以是摩擦，摩擦或软。在摩擦接触的情况下，只有法向和切向的机械手。一个无摩擦接触只有普通扳手是。机械手矩阵W是由上述所列向量机械 手。我们指的是对应的机械手大小的向量。

定义1。一个带外部机械手的对象是在平衡的，如果只有当： 1. ?i, cn i ≥ 0, |cti| ≤ μi tcn i and |cθ i | ≤ μiθ cn i 2. Wc + g = 0 for c ?= 0

在μ和μθ分别对应的切向和扭转摩擦系数为每个联系人

的位置由库仑定律给出的。因此，一个被抓取的对象被定义为处于平衡状态，如果所有力的总和和作用于它的所有时刻的总和等于零。一个平衡的抓取可能是稳定的或不稳定的。在[ 7 ]中详细说明了稳定性：

定义2。一个被抓的物体处于平衡状态，所有的力量 和时刻可以来自一个潜在的功能V（q）：?1q = 0, 1V > 0.

每一抓取策略的首要目标是确保稳定。狄利克雷定理的一个包括外部耗散力利用直接法保守系统的稳定性分析提供了一个充分条件。一般方法依赖于运动方程组的线性化形式。这些方程可以线性化的平衡位置，以便分析其静态稳定。有一定的矩阵的特征值的特征点附近的行为（哈特曼–格罗布曼定理）。更确切地说，如果所有的特征值是负实数或复数的负实部，那么这个点是一个稳定的吸引不动点，附近的点收敛到它的指数率[ 8 ]。 此外，局部几在稳定性的另一个维度依赖于接触力传输的限制。它们的性质如封闭的形式体现，力封闭和更普遍的“联系稳定性”[ 2–7]。

此外，如果一个小扰动的抓取是稳定的，对对象的位置或指力，产生一个复位机械手，往往将系统恢复到原来的配置[ 4 ]。阮在[ 10 ]介绍了构建稳定的掌握算法。他还证明了所有的三维力封闭抓取可以取得稳定。一个抓取力封闭时手指可以用适当的力量在反对在任何方向[ 11 ]生产扳手。换句话说，扳手或抓取矩阵，注意到，应积极跨越整个六维扳手空间。何形状的接触，可以考

虑在把握稳定性分析[ 4 ]。

除此之外，力封闭的抓取是平衡的一个子集，具有稳定的重要属性。然而，并不是所有的稳定的抓取都是封闭的，包括许多共同的，易于获得的抓取。比基[ 12 ]观察力封闭抓取分析相当于一个常微分方程的稳定性。力封闭性定义如下[4]。

定义3 掌握验证力的封闭性质当且仅当，任何外部扳手W?，存在一个幅度矢量λ满足约束等式定义1中，这样的Wλ= W?。

最后，形成封闭性通常是一个更强大的条件比强制关闭。形式闭合的分析本质上是几何的。更正式，掌握实现形式封闭当且仅当它达到力封闭与无摩擦点接触。在这种情况下，形成闭合的力封闭是双彼此[ 6，13]。

显然，稳定是一个必要的，但不是一个充分的条件，掌握战略。当我们伸出手去抓一个对象，我们就有一个任务来完成。因此，为了顺利完成任务，所掌握的任务也应与任务要求相兼容。计算任务导向的抓取是至关重要的一抓策略。最后，由于对象的形状和大小的多样性，一个抓策略应准备抓取对象的机器人第一次看到。

因此，一个抓取的策略，如图1所示，应确保稳定，任务的兼容性和对新对象的适应性。通过新的对象，我们指的是被视为第一次由机器人系统。此外，一个抓取的合成策略应该有以下问题的答案：在哪里抓取对象，以完成任务？分析和实证的方法回

答这个问题不同。

图1.抓取策略应满足三个约束：稳定性、任务相容性和对新对象的适应性。

图2.运用分析方法抓取综合的策略。

分析方法确定接触位置上的对象和手工配置，满足任务要求通过运动学和动力学公式。实证方法，另一方面，模仿人类抓取选择抓取最符合任务要求和目标对象的几何。在下面，我们回顾了这2种方法适用于三维物体的抓取合成。读者应该注意到，已经开发了许多算法的二维物体抓取规划[14,15]，但3D对象的抓取合成还是一个活跃的研究领域，由于高维空间和复杂的几何对象的抓取。 3.分析方法

确定抓取的运动学和动力学公式的分析方法。这种计算的复杂性来自数量的条件，必须满足一个成功的抓取。图2所示的分析方法所采用的一般策略，计算抓取。在文献中提出的算法并不一定包含所有的组件的架构在图2。他们中的大多数不考虑任务约束和/或手模型。

图3总结了这些策略。一个快速的看这个图显示，许多作品已经发展到计算力封闭抓取，但只有少数已经解决了问题，计算任务为导向的。这说明了后者的难度。在下面，我们提出并讨论了一些相关的作品，产生力封闭和任务导向的抓取。

图3.一种三维物体的抓取合成分析方法的综合视图。图显示了满

足力封闭和任务为导向的条件开发的分析策略。 3.1.力封闭抓取

本节中的作品，提出了一种用于三维物体的发现力封闭的技术。为了这个目的，可以考虑的方法：（1）分析是否一个抓取是力封闭或不，或（2）找到的指尖位置，这样的抓取是力封闭。前者认为强制关闭必要条件和充分条件。后者是力封闭的综合问题，它是一个考虑在这里，因为本次调查讨论的抓取合成。鉴于此领域相关工作的数量，我们将它们分为以下几个部分：（1）强制封闭的三维物体的合成和（2）最佳的力封闭抓取合成根据质量标准。

3.1.1.三维物体的力封闭抓取合成

根据对象模型，多面体或复杂的，不同的抓取合成策略已在文献中已经提出。首先，我们提出的多面体对象处理。这些对象是由一个有限数量的平面。显然，每个人脸都有一个常数的法线和一个点的位置可以由两个变量线性参数化。基于这些特性，掌握合成方法处理多面体对象减少力封闭条件[ 10 ]面法线之间的角度的测试，或使用线性模型导出表征[ 18 ]把握16–分析公式。基于对平面各点可以参数化线性双参数属性，蓬塞等人。[ 16,19 ]制定必要的线性条件三和四指力封闭抓取和实施他们在接触位置的一组线性不等式。发现所有的力封闭抓取建立作为一个突出的多面体上的线性子空间问题。刘[ 17 ]讨论了力封闭抓取综合问题n手指当n?1指有固定的位置和N?1指抓取不大的力封闭。使

用对象的脸一点的线性参数化，他们的搜索位置，那脸上的n次方，确保手指的力封闭。丁等人.[ 18 ]提出了一种算法来计算手指的位置，以形成一个从初始随机抓取的力封闭抓取。该算法首先任意选择一个给定的多面体对象的面上的抓取。如果选择的抓取不是封闭或换句话说如果原点O的扳手空间之外的原语扳手凸包，算法将每个指尖位置，采用线性参数化对象的脸一点，在其对应的脸使凸包走向原点O，因此一个固定的步骤，形成封闭性保证。

以前的分析是有限的多面体对象，如盒。这些方法不考虑选择一个抓面的问题。一个详尽的搜索，而不是执行。当对象的面数较低时，它们是有效的。然而，常用的对象，如杯子或瓶子不一定是多面体，很少能与有限数量的人脸建模。因此，当多面体的掌握合成方法被应用到这些对象，他们需要一个巨大的计算量来研究其大量的构成面组合。因此，新技术所需的力封闭的抓取合成。一般的方法将对象模型[20,21]没有限制。对象被建模与云的三维点或三角网格。作者在[ 20 ]提出了一种算法，计算三个手指力封闭的二维和三维物体的抓取。他们认为很难接触。基于相应的三个摩擦锥的交叉点，作者计算了三个手指力封闭的二维物体的几何分析的基础上。然后他们简化三维物体的力封闭问题的二维一当三接触点构成一个平面，这个平面相交时，每个摩擦锥在一个三角形的面积。丁等人。[ 21 ]提出了一种综合的力封闭掌握7摩擦接触算法。抓取的对象是离散的，一大团点PI以及法

线镍是可用的。然后，收集了大量的接触机械手GI可以得到。该算法从一组初始的七个触点，随机选择的点集开始。如果选定的抓取是强制关闭，算法完成。否则，初始接触被反复地与其他候选位置交换，直到得到一个力封闭的抓取。在[ 22 ]的任何数量的接触有或不摩擦，以前的启发式算法扩展。在[ 23 ]作者表明扳手任何三非对齐的接触点的三维对象相关联的形式，其相应的扳手空间的基础。这一结果允许制定一个新的足够的力量封闭测试。他们的方法与一般对象，以点集进行建模，并与任何数N（N≥4）联系人。

这种方法找到一个三维物体表面的接触点，确保力封闭。虽然这一标准保证了抓取的稳定性，它不包括任何概念的抓取所产生的质量，例如，如何处理的限制的力量，可以应用在对象上的对象。几个质量标准引入到掌握文献，并在下面的一些相关的工作，计算最佳的抓取。

3.1.2.三维物体的最佳受力控制

给出两抓取G1和G2的系统描述不同的机械手，我们常常希望能够说怎么好G1与G2。显然，善这样的措施必须具备一些物理直觉，对应于我们正常的观点抓取。米斯拉总结了在[ 24 ]各种现有的把握度量与广泛的讨论之间的相互权衡的很好的抓取，手指的数量，几何形状的对象，和复杂的抓取合成算法。一个丰富的调查，抓取质量的措施，也可以在[ 25 ]。

大多是，最佳的力量关闭抓取综合考虑，阻止采矿的接触点

位置，使抓取达到最理想的性能，在抵御外部扳手载荷。这些方法可以被看作是启发式优化技术。他们计算出最优的力封闭抓取根据预定义的把握质量标准的优化目标函数。当对象被建模与一组顶点，他们搜索所有的组合，找到最佳的抓取。例如，mirtich和Canny [ 26 ]开发了两个优化准则来获得最佳的两个和三个手指抓二维对象和最佳的三个手指抓3D polyhe相对象。无论是第一或第二准则应用，最大限制或最大内接等边三角形定义三维物体的最佳抓取。最佳的抓取点必须是多面体的顶点。因此，作者测试所有三以n个顶点多面体顶点找到其对应的最佳的三个手指抓住。与此对应，显然一个O（N3）算法。另一方面，当对象是光滑的，如椭球，该抓取的原始的机械手也抓取配置的光滑函数。如果指定的配置，指定的接触点的位置是由u表示，f（u）在[ 27 ]是一个功能，提供了一个衡量的抓取是如何从失去封闭性。因此，乌拉尔一个NAT的方法来计算力封闭抓取是最小化f（u）。通过下降搜索的优化问题可以解决。朱王[ 13 ]提出了一个类似的算法基于梯度下降最小化的导数的Q或Q范数距离。Q的距离是一个凸集合包含一个给定的点所需的最小规模的因素，即它量化，可以抵抗在预定义的一组由相应的凸集合给出方向最大扳手。

抓取解决方案空间寻找最优的理解是一个复杂的问题需要大量的计算时间。快速算法需要整合抓取规划者在网上为机器人规划系统。因此,启发式方法被应用于抓取合成问题。这些方法

生成第一许多随机抓取候选人[28],根据预定义的过程[29]或通过定义一组规则生成一组抓取起始位置和pre-grasp形状,可以测试对象模型(30、31),过滤器与一个简单的启发式排除候选人不能导致可行的抓取或不满足力的条件,然后选择最好的候选人根据质量标准。然而,这种方法受到局部最小值的问题。

所有这些方法都研究了稳定的抓取和发展的各种稳定的标准，以找到最佳的抓取。在研究各种人的抓取之后，作者在[ 32 ]得出结论认为，选择一个抓取是决定的任务，要执行的对象。因此，找到一个好的稳定的抓取一个对象只是一个必要但非充分条件。因此，许多研究人员解决的问题，计算任务为导向的抓取，将在下一个段落中解决。

3.2.任务兼容性

很好的抓取应该面向任务的。一些贪婪的工作考虑的任务。这是由于建模的困难任务和提供标准来比较不同抓取任务的适用性要求。

可操纵性椭圆体是有效的机器人机械手的空间分析工具来执行任务,执行速度和加速度的能力最终效应对环境或施加力量。这可能有利于找到最好的配置来执行一个给定的任务。不久,一个单位球关节空间可以映射到一个可操纵性椭球在任务空间的雅可比矩阵变换。速度和力量可操纵性椭圆体显示可行的运动和可实现的部队在任务空间,分别。Yoshikawa[33]给出的第一个数学措施的可操纵性系列机器人通过讨论机器人的操控能力机

制定位和定向末端执行器。

Chiu[ 34 ]提出了任务适应性指数衡量的机械手和实际移动方向给定的任务所需的最佳方向水平之间的协议。任务兼容性指数被认为是两个力和速度传输。尽管他们的知名度，有可能不一致的椭球从欧氏距离的不当使用，从改变比例尺和坐标系[ 35 ]依赖。为了克服这些问题，任务空间的多面体，准确地代表最大可达工作空间能力与给定的限制在关节空间中引入了[ 36 ]。此外，Lee[ 37 ]测量机器人的灵巧度讨论工作椭球和多面体的使用。他说明操作椭球不变换的关节速度约束的任务空间和不在任务空间运动的精确测量和优化方向，所以可以灵巧。他还提出了一个实用的多面体的方法可应用于一般的6D任务空间。

Lee和Sastry [ 38 ]开发的抓取质量指标相关的要执行的任务。他们发现，一个面向任务的把握应以抓取能力产生机械手，相关的任务的选择。假设知识的任务，被执行和工件的几何形状，他们计划在抓行动之前，为了模拟任务的对象机械手空间中的一六维椭球的对象的运动轨迹。后者则装在机械手空间。这种方法的问题是如何模拟任务椭球的一个给定的任务，这是相当复杂的作者状态

Pollard [ 39 ]设计了一个系统，有一定比例的一个原型抓质量抓。被定义为一个实例对象和一个高质量的对象，该对象的抓取。任务的特点是机械手必须以机器人应用于目标完成任务目标的空间。如果不了解抓取任务，假设每个机械手方向为干扰发生的概率是相等的，任务机械手空间，TWS，建模为一个单位球面。抓质量的措施是采用量机器人挤压对象为了能够抵御各种任务的同时保持抓取机械手。通过接受质量的降低，原型的接触点的抓取可以生长到接触区域。它的系统可以被认为是一个更一般的抓取合成工具，但它有一些困难。虽然原型让她大大降低了搜索的复杂性，系统选择最接近的原型抓取是不。因此，计算的抓取是不可能是完美的一个给定的任务或对象。一个单位球面TWS建模没有物理解释。与它们的相应的力矩作用于对象的边界，以完成一个任务。因此，任务机械手空间是不统一的，并随物体形状变化。波拉德介绍对象的机械手空间（OWS）将对象的几何形状为抓取评价。OWS包含任何机械手可通过代理对象表面上任何地方的干扰力的创造。这是一个物理动机的描述，考虑到所有可能的干扰对象的帐户允许概括的任何任务。

Borst等人.结合任务椭球[ 38 ]与OWS的理念来获得一个新的任务的机械手空间描述（TWS）。一抓质量是通过比较获得的TWS（而不再是一个球体）的抓取机械手空间，空间的抓取，这实际上是评价。换句话说，对于一个给定的TWS，最大的缩放

因子搜索放进空间（图4）。为了减少计算的复杂性，作者近似的OWS 6D椭球使他们随后将问题向球面拟合为GWS采用线性变换。

图4。椭球近似OWS。1。采样流量。2。凸壳的过采样的流量。3。封闭椭球。4。椭球和GWS [ 40 ]线性变换。

作者在[ 41 ]提出了一种计算任务为导向的质量测量方法。该方法是基于一个线性矩阵不等式形式主义，处理摩擦锥约束没有金字塔近似。它评估一个给定的任务扳手沿一个单一的方向，并指定一个最大的适用机械手沿这个方向的抓取。因此，它允许优化的最大适用机械手为一个给定的任务机械手方向。而不是寻找一个抓取和预期的任务的适宜性评价，作者在[ 42 ]提出了一种方法，以任务考虑从早期规划阶段使用手preshapes抓取。他们定义的四手preshapes随着自己抓取的扳手空间近似（图5）。钩功率preshape适于抓住把手推沿已知方向。钩的精度具有相同的动力之一但preshape钩接触是用指尖。精度允许preshape沿两条同一方向使例如把龙头作用。在圆柱preshape，手指将对象和使力向手掌。因此，要完成一个任务，一个机器人必须调整适当的手的任务框架，在任务规划过程中选择的目标框架。手preshape及其相应的目标框架是根据任务的方向和操作对象的一个简化的模型选择。对象被建模为框的层次结构。该算法进行了测试，完成一个共同的任务，转动门把手。

为了执行任务所施加的把握物体上的任务机械手空间

（TWS）模型机械手。给定的对象和任务要执行，李和沙斯特里提出来表示TWS作为六维椭球。后者非常符合的任务，但它是很难获得的。作者进行了预先计算的轨迹后跟对象来完成任务。显然，这种方法是不适合于新的任务，也没有新对象，整个计算程序将重复。Pollard机型交易平台有六维单位球。因此，假设对于每机械手方向发生的概率是相等的。这表示没有物理解释，因为一个物体的边界发生的机械手并不统一。因此，该交易平台是不均匀的为好。博斯特近似于椭圆体的OWS以模拟交易平台。这种表示考虑到对象的几何形状和它可能遇到的机械手。但因为这表示占整个对象边界上不同机械手，它不考虑任务的具体信息。因此，所计算的抓取是不是最好的适合于特定的任务。 Haschke优化对于给定的任务机械手方向的最大适用机械手。但是，本文不包括有关相应的任务机械手方向计算的任何信息。Prats的方式适用于沿特定方向发生的任务，例如打开门或抽屉里，很容易与框的对象模型，以确定其相应的目标框架。这种做法不恰当关联手preshapes到更复杂的任务。

3.3.分析方法探讨

在前面的章节中所描述的分析方法注重某个抓取或强行关闭或任务导向的标准来比较抓取发展分析。抓取解空间的大小是克服优化的最困难的障碍。提出的标准COM普特力封闭抓取可能产生最佳的稳定抓取适应拾放操作（图1）。然而，通过操纵物理相互作用在我们的日常生活中，即使是简单和常见的任务，

超越了抓取放。这就是为什么许多研究者都解决了任务导向的问题。

面向任务的抓取规划的目的是解决以下问题:给定一个对象和一个任务,如何抓取对象有效执行任务?解决这一问题时遇到的两个主要的要点是:

?建模任务的难度。

?为找到一个适合于相应任务的抓取的计算量。

不同的面向任务的标准进行了介绍，在文学。一些提出的算法认为，一组的抓取已经被发现，并评估所需的任务，使用这些标准的给定的抓取的适用性。在实践中，很多抓取会产生和评估，使这些方法计算负担不起。他们往往不适应新的任务，也不适合新的对象。

为了避免的分析方法的计算复杂，经验技术被引入到把持问题。通过采取进一步看一看图的图。图3和6中，我们注意到，最近的作品是基于经验方法。这些技术详述于下一段。

图6。一种三维立体的抓取合成方法的综合视图对象。 4.经验方法

通过实证抓取的方法，我们指的是基于分类和学习方法，避免了计算复杂度的分析方法。图6总结了文献中所提出的算法。如图所示，我们可以区分两个大类：以一个人的表现为中心的技术，并专注于对所抓取的对象的观察。

在第一种技术中，一个机器人系统观察到一个人类操作员，

也称为教师或专家，执行任务，并试图复制相同的抓取。这种技术代表了政策的学习方法的一个子集，称为学习（或从）示范（LBD）。

第二技术是以对象为中心的方法。机器人系统学习对象的特性和不同的手的形状之间的关联，以计算自然和任务适应的抓取。

一般策略采用实证的方法来计算掌握见图7。一些算法在文献中提出不符合所有点这个架构,但仅限于部分而其他人把评价步骤,例如,获得一个循环和给老师在学习过程中一个活跃的角色。事实上,学习系统可以使学习者增强性能改善提供了超出示范数据集。在下面，我们详细介绍了这2种技术：人和物为中心的方法。

4.1.基于人类观测系统

对不同学习示范（LBD）的框架,其中机器人观察执行任务的人，并且随后能够执行任务本身均在文献中提出。关于这些方法的梳理，我们注意到，许多合法的标准可用于细分LBD研究。例如，一个提议的分类考虑谁，以及如何模仿的问题[43,44]。另外提供了一个明确的结构，LBD的方法，并提出了实现[45]的细节。读者可能会发现在LBD研究的其他调查。特别是，书Dautenhahn和Nehaniv编辑[46]产生适合作为引子，以跨学科模仿的艺术作品（心理学，语言学，神经科学和计算机科学）的状态的参考。

图7.运用经验方法抓取综合的策略。

从我们的角度来看，如图7所示，传感器和信号处理是所提出的技术的关键点。一些研究人员使用数据手套，地图人手人工手工作和学习不同的关节角度[ 47、48手preshapes ]，[ 49 ]或相应的任务机械手空间[ 50 ]中为了执行一个抓取。别人用立体跟踪演示的手进行抓[ 51 ]或尝试从抓取图像[ 52 ]数据库识别手形。此外，镜像神经元，火不仅抓时，但也观察到一个动作时，也介绍了抓的问题[ 53 ]。我们的LBD审查的目的是把重点放在用传感器的细节。从传感器提取的特点，作为学习的投入使用，是至关重要的学习策略和示范技术的选择（提供数据给学习者的策略）。下面两段分别技术利用数据手套和视觉系统。最后，以人为中心方法将对象描述。这是本节最后一段的主题。

4.1.1.基于描述符的磁跟踪器和数据手套

数据手套是用来在[ 47 ]一四指拟人机器人手的控制。为了测量戴手套操作的指尖位置，指尖都有圆形彩色针。一个校准的立体相机设置用于跟踪实时的四个颜色标记。为了能够准确地使用数据手套的非线性校准使用神经网络技术实现。基于数据手套的校准，一个人类和人工手工作空间可以实现使得操作者可以直观地telemanipulate对象与人工手映射。在[ 48 ]提出了一个类似的框架。人类和机器人都站在一个桌子前面，一组物体放置在一个桌子上。人类通过移动物体在桌子上演示了一个任务的机器人。机器人可以复制任务由人执行，使用磁跟踪器和隐马尔可夫模型

（HMM）。由于对象可能不会被放置在相同的位置，在演示过程中，最近[ 54 ]，作者解决的问题，把握生成和规划时的对象的确切构成不可用。因此，提出了一种方法，学习和评价的抓取方法矢量，以便它可以在上述情况下使用。

Aleotti and Caselli [50]也提出了一个面向任务的抓取编程的用户提供的演示方法。该程序是基于一个功能抓取手空间，这是建立在演示和互动教学的产生。这个想法是让专家用户展示一组任务的适当的例子抓取在一个给定的目标对象，并生成相关的功能的机械手空间作为单机械手凸联盟。抓取评价是通过计算一个质量度量的Q值，定义为最大的因素，抓取机械手空间（GWS）的抓取进行评估可以缩放到适合的显示功能的机械手空间（FWS）。抓好示范功能机械手空间利用触觉接口包括数据手套和一个用于检测人的手[ 55 ]配置运动跟踪器通过虚拟现实。

4.1.2.基于视觉的描述

作者在[ 51 ]提出了一个基于视觉和音频的方法。用户演示了一个抓取技能。机器人立体轨道演示的手几次收集足够的数据。摄像机的分辨率和质量的校准程序的视觉跟踪的精度是有限的。此外，每一个抓取的时间被证明，用户执行它不同。为了弥补这些错误，测得的轨迹被用来训练一个自组织特征映射（SOM）。它们把收集到的数据空间描述为一个算法优化使用的机器人运动轨迹的强化学习数据结构。作者，在[ 56 ]，应用第二学习阶段到SOM，Q学习算法。这个阶段帐户在机器人的环境的变化，

使学习抓取技能适应新的工作空间配置。

另一个视觉的基础编程示范（PBD）系统是[ 52 ]提出了。该系统由三个主要部分组成：人的抓取分类，手的位置相对于所掌握的对象的提取，最后编制的机器人抓取策略。手形分为六类根据Cutkosky的抓取，掌握分类[ 32 ]标记。而不是3D的示威者移交时间跟踪，输入数据由一个单一的形象和手形划分为六掌握在较大的把握图像数据库中寻找相似的手的形状。从数据库中，手方向估计。所承认的把握，然后映射到三个预定义的巴雷特手抓。根据机器人抓取的类型，预先计算的抓取策略选择。该策略是进一步参数化的方向相对于对象的手。

这些方法使对象操作的抓取类型识别。然而，他们的学习数据是基于手的观察，即关节角度，手轨迹或手的形状。因此，学习算法不考虑被操纵的对象属性。因此，这些方法是不适用于抓取以前未知的对象。

4.1.3.面向生物的学习与目标特征提取

Oztop和Arbib [ 53 ]提出了一种基于镜像神经元的抓取策略。后者是在猴子的运动前区F5和鉴定火灾不仅当猴子执行某一类的行动，但也当猴子观察另一只猴子（或实验者）执行类似的行动。有人认为，这些神经元的行动的理解是至关重要的。在一个抓取的背景下，镜像系统的作用可能被看作是从自己的手的泛化另一方面。因此，在生物动机的角度来看，作者提出了一个非常详细的模型，这些神经元的运作，抓取学习。它们提出了一

种将手相关信息和可用的对象信息相结合的手，对象状态关联模式。这种方法是一种简单的几何对象模型的识别和执行（捏，精度或功率控制）的能力。所使用的对象的唯一对象的大小和位置。 在一个抓取的背景下，镜像系统的作用可能被看作是从自己的手的泛化另一方面。因此，在生物动机的角度来看，作者提出了一个非常详细的模型，这些神经元的运作，掌握学习。它们提出了一种将手相关信息和可用的对象信息相结合的手，对象状态关联模式。这种方法是一种简单的几何对象模型的识别和执行（捏，精度或功率控制）的能力。所使用的对象的唯一对象的大小和位置。

一抓任务也可以描述为一系列''行动单位”。这样的运动基元，在[57,58]所提出的，是行动，完成一个完整的目标导向行为序列。然而，在[ 46 ]的讨论，这种低级的表示并不适合在多自由度系统的学习。它是有用的运动原始代码的完全时间行为[ 59 ]。

Kyota等.[ 49 ]提出了一种对抓取位置的检测和评价方法。他们的技术检测到适当的部分，被抓住的三维对象的表面上，然后解决了问题，产生的抓取姿势。因此，点在整个表面上的对象的随机位置产生。在每一点上，气缸相似，这是与气缸的表面相似，计算。然后，检测圆柱点进行评估以确定他们是否在一个可理解的部分或不。一旦能理解的部分是确定的，候选人的手形状是使用神经网络产生的，这是使用数据手套训练。用标准机械手空间稳定性判据进行了评价。图8显示了不同手形的油炸锅的几种方

法。

Oztop和Arbib的方法可以确定简单的几何对象的把握类型。当面对新的对象，它会粗略估计它们的大小和位置，以确定相应的手参数，从而掌握类型，以便挑选他们。清田的方法对物体表面不同的可能的抓取区域发现。但是，它没有考虑到对象的使用。因此，这些方法可以找到稳定的抓取和放置操作，但无法确定一个合适的对象操作的抓取。

4.2.基于对象观察的系统

一些学者认为手部运动具有高度的自由度，它大体上分为手势类型和功能型两种，手势型运动在新运动的产生上有一定的优势。虽然功能运动取决于目标对象的功能，如大小和形状[ 60 ]。

图9。GraspIt模拟器允许进口一个机器人手模型（巴雷特手）和一个对象模型。（一）这张图片显示了一个成功的对象的抓取。（乙）为每一个物件在训练集，1600个掌握开始构成和评估[ 61 ]。

抓取策略基于物体的观察，分析其性质和向他们学习抓取一些方法不同联想。联想抓取参数或手形对象的几何特征，在稳定性方面找到好的抓取[61.62]。其他技术学会识别抓取物体图像[63,64]地区。这些技术在下面的讨论。

Pelossof等人。[ 61 ]使用支持向量机建立对象的形状、抓取参数和质量（图9）之间的回归映射。一旦训练，这种回归映射可以有效地估计参数，获得最高的抓抓质量的一个新的查询集的

形状参数。作者用简单的对象表示在他们的学习算法，如球体，圆柱体等，从抓质量度量，确定最坏情况下的最大扰动机械手的大小可以通过掌握单位强度[ 65 ]抵制，最优掌握计算算法的''good”稳定掌握适于抓放操作。

一种新型的学习方式抓取对象由Saxena等人提出的[ 63 ]。基于这个想法，有一定的视觉特征表明，好的抓取，并且保持一致，在许多不同的对象（如咖啡杯柄或长的物体如笔，可以抓住他们的中点），一个学习的方法，使用这些视觉特征提出了预测''good''掌握要点。该方法是基于训练的逻辑回归模型注释的合成图像，结合二维滤波器的响应与三维范围内的数据，在一个密集的，多尺度图像表示。该算法预测一个抓点作为一个函数的二维图像。监督学习是用来识别图像的补丁，包含抓取点。该方法首先将图像分割成小的矩形块，每一个补丁，它计算局部图像特征和预测，如果它是一个抓点到图像平面上的投影。所选择的功能代表了三种类型的局部线索：边缘，纹理和颜色。因此，给定两个（或更多）的对象的图像，该算法确定几点每幅图像中的对应位置好的抓取的对象。这套点然后三角得到三维的抓取位置。

在类似的方法，形成等。[ 64 ]开发了一个功能性的方法来学习的可理解的启示类（如手柄抓握和sidewallgraspable）是由人类–物体相互作用的观察学习。特定对象的部分作用导致探测器发展特殊启示的线索（如手柄）。一个对象是由一个可抓握的部分组成的代表。通过观察一个特定的对象相互作用的人得到启示

的线索。作者确定的相互作用区域中的对象的像素，已被闭塞的人的教师在互动过程中的一组。提供线索，表示是基于几何特征从周围地区的局部邻域提取。抓取新的刺激的假设是由对象的对码本学会提供的线索，随着物体的相对位置和规模存储匹配特征推断。这种方法的扩展，在这里使用的对象的全局形状，而不是局部外观，提出了[ 66 ]。

当该物体的完整3D模型是可用的，李和波拉德[62]处理抓作为形状匹配问题。基于这样的思想，许多机械手具有相似的手的形状，他们构建把握实例的数据库。因此，给定一个新的对象的模型被抓住，对象的形状特征进行比较，以形成手的特征构成的数据库，以识别候选抓手。这些形状特征捕捉关于接触位置的把握相对配置和接触法线信息。图10示出的手与物体上的接触点和法线。需要注意的是手的内表面包含了大量的有关鼠标的形状信息。如果类似的功能可以在一个新的对象被发现，它可能会使用相同的抓取为新对象。形状匹配后，获得了一些抓手。一些这些抓手可能是不合适的任务。他们可能无法牢固地支持对象或把握的主电源可能在错误的方向为任务对齐。因此，作者使用了抓质量，考虑到两者的手和任务要求以评价所计算的抓手。通过应用这种抓质量的措施，很多抓被修剪。即使，作者指出，用户应该从系统呈现的可能性中手动选择所需的抓取是因为一些抓手是不直观。因此，一个完全独立的系统，该系统产生的自然抓手应考虑到除运用能力力等方面考虑。

图10.在物体表面上的[ 62 ]手/对象和接触法线接触点匹配。 El Khoury等人。【67,68 ]考虑抓不明物体以同样的方式作为人类的问题。基于人的大脑的想法，表示对象的体积基元，以认识到他们，该算法预测的对象的组件组件的功能，作为一个功能。从一个完整的三维模型的对象，分割步骤分解它成单一的部分。每一个单独的部分都配有一个简单的几何模型。一个学习的步骤，然后找到的对象组件，人类选择抓取这个对象。图11显示几个掌握使用DLR手模型，对不同的对象可以部分模拟器GraspIt获得。

图11。生成四个手指的力封闭抓取使用DLR手模型模拟器GraspIt [ 69 ]。

所有这些方法学习使用对象的功能，以计算相应的抓取。因此，他们有能力推广到新的对象。但什么样的抓取这些技术保证？Pelossof的策略可以根据稳定性判据预测一个抓质量。Saxena的方法找到抓茶杯把手或细长物体中间点。这种接触点是适应任务兼容性方面一些对象，但是当这种方法遇到细长的物体，如螺丝刀或瓶，它也确定了抓区坐落在这些对象中。这样的把握不一定适应这样的对象。斯塔克的抓取策略可以区分两个对象类之间：手柄抓握（适于杯）和侧抓握（适于瓶）。这种方法没有考虑到各种物体的形状，从而可能的各种各样的抓取。李的策略确定一个对象的不同抓取和失败，选择一个适合的任务要求。El Khoury等人。[ 69 ]提出了模仿人类选择的不明物体的抓

握部件基于图元对象等组成部分的形状和大小。但选择把持部分传达对象相应的任务的任何信息？在下面，我们讨论的经验方法的局限性。

4.3.讨论实证方法

任务型分析任务的主要困难是任务建模。基于人力论证的实证方法可以克服这个困难，通过学习的任务。对于这样的方法，当给定一个对象和任务，老师展示了如何准确地执行。该机器人能够完成任务，为给定的对象本身。然而，这些系统是不是完全自主的，当他们面对一个新的对象或一个新的任务。为了克服这个问题，而不是试图再现人类抓取的手势，研究人员开发的系统，专注于对象的观察。这些方法学习找到一个对象的图像或关联对象的局部特征，以不同的手形状的良好的抓取区域。这些系统可以推广到新的对象，但他们找到一个稳定的抓取或产生一个对象不同的抓取和不选择自动的一个最适合的任务。

此选择是手动或使用任务为导向的质量标准，这是复杂的计算。因此，许多研究仍有待完成，以更好地理解人类的抓取和发展的算法，实现自然的抓取。

5.结论

抓取新对象时，自主抓取策略的目标是实现稳定性和任务兼容性。在文献中，抓取合成，已经解决了不同的方法：分析或经验。通过回顾这些作品，我们可以得出结论，力封闭分析方法找到稳定，但不是任务导向的抓取。任务为导向的分析方法遭受的

任务需求建模的计算复杂度。经验系统的基础上的人类的观察克服任务建模困难，模仿人类掌握的手势。然而，这些系统是不是完全自主的，当他们面对新的对象。基于对象观察的经验系统适用于新的对象，但产生了大量的可能的抓取位置，并不能选择一个最适合的任务。当试图做到这一点，他们遇到了同样的问题，分析任务为导向的方法，这是任务建模。

因此，什么抓策略是能够确保稳定，任务的兼容性和适应新的对象？适应新的对象是确保学习对象的特点，相关的抓取。稳定性可以通过计算forceclosure抓取了。为了处理任务的要求，一方面，建模的任务是困难的；分析方法无法找到一个通用的数学公式，兼容不同的任务。另一方面，学习特定的任务/手的性能仅适用于特定的对象来执行特定的任务。找到一个兼容的任务，抓取一个新的对象仍然是一个悬而未决的问题。一个可能的解决方案可能是学习任务/特征映射，即学习识别对象的功能，立即与相应的任务。因此，当一个机器人遇到一个新的对象，它将能够自主识别相关的功能，从而识别对象相应的任务。

任务需求建模的计算复杂度。经验系统的基础上的人类的观察克服任务建模困难，模仿人类掌握的手势。然而，这些系统是不是完全自主的，当他们面对新的对象。基于对象观察的经验系统适用于新的对象，但产生了大量的可能的抓取位置，并不能选择一个最适合的任务。当试图做到这一点，他们遇到了同样的问题，分析任务为导向的方法，这是任务建模。

因此，什么抓策略是能够确保稳定，任务的兼容性和适应新的对象？适应新的对象是确保学习对象的特点，相关的抓取。稳定性可以通过计算forceclosure抓取了。为了处理任务的要求，一方面，建模的任务是困难的；分析方法无法找到一个通用的数学公式，兼容不同的任务。另一方面，学习特定的任务/手的性能仅适用于特定的对象来执行特定的任务。找到一个兼容的任务，抓取一个新的对象仍然是一个悬而未决的问题。一个可能的解决方案可能是学习任务/特征映射，即学习识别对象的功能，立即与相应的任务。因此，当一个机器人遇到一个新的对象，它将能够自主识别相关的功能，从而识别对象相应的任务。

本文来源：https://www.bwwdw.com/article/7xhw.html