解决工业抓取与放置中的挑战：基于深度学习的6自由度位姿估计解决方案

物体抓取是工业应用中一个基础、长期存在且尚未完全解决的问题。为了完成这一任务，6自由度位姿估计至关重要。这项对人类而言轻而易举的任务对机器来说却是一个挑战，因为它涉及多个智能处理过程（例如目标检测、识别、位姿预测）。随着深度学习的出现，位姿估计近期取得了巨大进展。然而，在实际应用中对其进行计算并非易事：每个应用场景都需要标注数据集以及一个足够稳健以应对其特定挑战的模型。在本文中，我们针对一个特定应用场景展开了全面研究：即协作机械臂抓取四种工业物体，重点解决与反光纹理和异形物体位姿歧义相关的挑战。因此，人工智能在该过程中起到了关键作用，利用卷积神经网络通过从单张图像中提取分层特征来辨别物体的位姿。具体而言，我们提出了一个新的工业物体合成数据集以及一种缩小仿真到真实（sim-to-real）领域差距的微调方法。此外，我们改进了现有的位姿估计流程，并引入了一种基于卷积神经网络的现有方法的新版本。最后，使用 Universal Robot UR5e 进行了广泛的实验。结果表明，我们的策略表现良好，在这些新物体上的平均抓取成功率达到75%。鉴于可用于位姿估计的数据集匮乏，且标注新图像需要耗费大量时间和人力，我们通过提供一个全面的数据集以及相关的生成和估计流程，为科学界做出了贡献。1