利用模拟深度图像学习高精度机器人装配的位姿估计

当今大多数工业机器人装配任务需要固定的初始条件才能成功装配。这些约束导致了高生产成本和对新任务的低适应性。在这项工作中，我们旨在通过使用所有待装配部件的3D CAD模型来实现灵活且适应性强的机器人装配。我们聚焦于一个通用装配任务——西门子创新挑战赛——其中机器人需要将一个类齿轮机构高精度地装配到一个操作系统中。为获得该任务及类似工业环境所需的毫米级精度，我们使用安装在机器人末端执行器附近的深度相机。我们提出了一种基于深度卷积神经网络的高精度两阶段位姿估计流程，包括检测、位姿估计、细化以及处理部件的近对称和全对称。网络在模拟深度图像上训练，并采用确保成功迁移到真实机器人的方法。我们获得了2.16毫米和0.64度的平均位姿估计误差，从而对随机分布部件的机器人装配达到了91%的成功率。据我们所知，这是首次完整解决西门子创新挑战赛，所有部件均以高成功率装配。