张松林

(安徽信息工程学院 信息系，安徽 芜湖 241000)

自20世纪中期开始，机器人系统逐步得到发展。从简单的机械结构到具有感知识别功能的智能机器人系统，已经在多个领域广泛应用。其中，物体抓取操作是机器人的重要功能。随着硬件技术的不断成熟，机器人系统通过传感器实现环境感知，并通过智能算法的设计来实现物体的任意抓取。由于机器人系统应用领域的复杂化，对机器人的控制算法提出了更高的要求。目前，工业机器人的抓取算法设计需要依赖预先建立好的物体抓取模型并整理为数据库，但对于在非结构化的环境中进行抓取的机器人来说，建立准确的数学模型难以实现。因此，要建立起能够对环境实时预测并快速整定的抓取规划算法。为优化这一问题，引入基于卷积神经网络的机器人规划算法。机器人通过传感器获取的环境信息，建立对应的抓取位姿映射关系，即通过环境模型库来存储机器人抓取经验，相比与传统的抓取控制算法而言，基于卷积神经网络的算法可以实现对未知物体的抓取经验迁移。

1 机器人抓取模型设计

机器人物体抓取可以视为机械臂对物体表面上一组接触点的施加力，以防止物体在外界扰动下发生运动。为提高机器人对物体抓取的控制性能，首先，需要建立机器人物体抓取的接触力数学模型[1]。

图1 物体与末端执行器接触模型的坐标系关系

1.1 机器人与物体之间的接触力