买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华侨大学

摘要：本发明公开了一种基于改进PointNet++的机械臂平行夹爪抓取位置预测方法，涉及计算机视觉和机器人技术领域，包括以下步骤：构建基于改进PointNet++的位置预测模型并利用训练集进行训练；将待抓取物品的点云数据输入训练好的位置预测模型以获得预测位置参数。所述位置预测模型包括依次连接的若干特征提取模块和一个全连接层，所述特征提取模块采用添加了通道注意力的PointNet++，对输入的点云数据进行多次特征提取；全连接层接收最后一个特征提取模块输出的全局特征，输出预测位置参数。本发明结合3D点云技术和深度学习，不仅提高了机械臂抓取的准确性，还能够在复杂环境下实现更为稳定和高效的抓取操作。

主权项：1.一种基于改进PointNet++的机械臂平行夹爪抓取位置预测方法，其特征在于，包括以下步骤：采集目标物体点云数据作为训练集，点云数据包含三维空间坐标及法向量；构建基于改进PointNet++的位置预测模型，接收点云数据作为原始点集，输出适用于机械臂平行夹爪抓取点的预测位置参数；利用训练集训练位置预测模型；将待抓取物品的点云数据输入训练好的位置预测模型以获得预测位置参数；所述位置预测模型包括依次连接的若干特征提取模块和一个全连接层，所述特征提取模块采用添加了通道注意力的PointNet++，包括点集抽象层、多层感知机、通道注意力机制和特征传播层；特征提取模块对输入的点云数据或上一个特征提取模块输出的全局特征实施最远点采样法选取关键点，基于预设半径聚集局部邻域点，再使用多层感知机独立提取局部点特征，最后利用通道注意力基于局部点特征输出局部特征到特征传播层；特征传播层使用距离加权插值和残差连接将局部特征传播回原始点集以获得全局特征，输出到下一个特征提取模块或全连接层；全连接层接收最后一个特征提取模块输出的全局特征，输出预测位置参数和抓取成功概率；所述实施最远点采样法选取关键点，包括以下步骤：选择一个初始点p0作为采样点集S的第一个点，S＝{p0}；计算所有未被选中的点p到当前采样点集S中所有点的最短欧氏距离dp，S；选择最短欧氏距离最大的那个点加入到S中，S＝S∪{pnext}；重复该步骤直到采样集合S达到预定大小k或者满足其他结束条件；其中，||p-s||表示点p和s之间的欧氏距离，pnext表示下一点；所述利用通道注意力基于局部点特征输出局部特征到特征传播层，包括以下步骤：对每个通道的特征进行全局平均池化，表示为： 其中，xi,j,c表示输入通道注意力的特征图X在i，j位置上第c个通道的值，H和W分别表示特征图X的高和宽，C表示特征图X的通道数，zc是对第c个通道的全局平均值；通过一个小的全连接网络对全局平均池化的输出进行进一步的学习和处理，获得通道权重表示为：s1＝σW2δW1z；其中，z表示全局平均池化的输出，由所有通道的全局平均值组成；σ是sigmoid激活函数，用于生成范围在[0，1]之间的权重；δ是ReLU激活函数；W1是尺寸为的降维权重矩阵，W2是尺寸为的升维权重矩阵，其中，r是缩放比例；s1是生成的通道权重集，包含每个通道的通道权重；将原始特征图X的每个通道乘以学习到的相应通道权重，完成通道的重标定： 其中，表示xi，j，c重标定后的特征图，sc表示第c通道的通道权重。

全文数据：

权利要求：

百度查询： 华侨大学 一种基于改进PointNet++的机械臂平行夹爪抓取位置预测方法