人工智能技術的成熟引領著機器人的智能化發(fā)展。機器人逐漸融入到人們的生活和工作之中,并取代了一部分人機械重復的工作。在與外界進行交互時,機器人需要利用多種設備對外界環(huán)境進行感知,如相機和三維傳感器等。如何有效地利用這些設備采集得到的信息,對環(huán)境中的目標進行識別和估計其6D姿態(tài),以協(xié)助機器人完成物體抓取任務,對于實際的工程需求十分重要。因此,本文以“基于深度和紋理信息融合的三維物體識別和6D姿態(tài)估計”為研究課題,對基于神經網絡的物體識別和6D姿態(tài)估計任務進行了深入研究。主要工作內容包括以下幾個部分:基于點云數(shù)據(jù)的三維物體識別;復雜背景下的物體識別以及分割;結合紋理和深度信息的物體的6D姿態(tài)估計。1、點云數(shù)據(jù)的非結構化性質導致卷積網絡無法直接用于對其進行特征提取。因此,不少方法通過手工規(guī)則將點云數(shù)據(jù)映射為圖片,然后使用卷積網絡進行特征提取并分類。但人工制定的映射規(guī)則會導致映射過程中信息丟失。為了解決該缺點,本文利用反卷積操作,自主學習點云數(shù)據(jù)到圖片的映射關系,通過數(shù)據(jù)驅動的方式建立的映射關系,會保留對后續(xù)分類任務有用的信息,以提高最后的分類精度。2、為了能夠在真實復雜場景下識別和分割物體,并...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 三維點云物體識別方法研究現(xiàn)狀
        1.2.2 語義分割網絡研究現(xiàn)狀
        1.2.3 6D姿態(tài)估計方法研究現(xiàn)狀
        1.2.4 現(xiàn)有方法的不足
    1.3 論文主要研究工作
    1.4 論文結構安排
第2章 相關理論介紹
    2.1 卷積神經網絡
        2.1.1 卷積層
        2.1.2 反卷積層
        2.1.3 池化層
        2.1.4 激活層
    2.2 點云分類網絡
        2.2.1 PointNet點云分類網絡
        2.2.2 用于提取點云局部結構信息的模塊Set Abstraction
    2.3 語義分割網絡
        2.3.1 Unet語義分割網絡
        2.3.2 Pyramid Pooling Module(PPM)高效的多尺度特征提取模塊
    2.4 DenseFusion姿態(tài)估計網絡
    2.5 模型壓縮方法
        2.5.1 MixConv輕量級卷積模塊
        2.5.2 基于幾何中位數(shù)的模型剪枝算法FPGM
    2.6 手眼標定
    2.7 小結
第3章 自學習映射三維點云物體識別
    3.1 自學習映射三維點云物體識別網絡構建
    3.2 實驗設置
    3.3 評測數(shù)據(jù)集
    3.4 結果分析
    3.5 小結
第4章 紋理和深度信息融合的語義分割網絡
    4.1 紋理和深度信息融合的語義分割網絡構建
    4.2 顏色特征提取主干
    4.3 深度特征提取骨干
    4.4 多尺度特征融合網絡
    4.5 實驗設置
    4.6 評測數(shù)據(jù)集
    4.7 結果分析
    4.8 小結
第5章 輕量級姿態(tài)估計網絡的構建
    5.1 整體網絡架構
    5.2 基于MixConv的高效紋理特征提取網絡
    5.3 點云特征提取網絡以及特征融合
    5.4 迭代優(yōu)化網絡
    5.5 基于FPGM進行模型剪枝
    5.6 訓練過程
    5.7 評測數(shù)據(jù)集
    5.8 實驗分析
    5.9 小結
第6章 輕量級姿態(tài)估計網絡在機械臂抓取中的應用
    6.1 實驗平臺介紹
    6.2 數(shù)據(jù)集采集和構建
    6.3 實驗流程
    6.4 定性分析
    6.5 小結
第7章 結論和展望
    7.1 工作總結
    7.2 研究展望
參考文獻
致謝
作者簡歷及攻讀學位期間發(fā)表的學術論文與研究成果



本文編號：3995255