QUT的机器人专家为机器人开发了一种更快，更准确的方法来抓取物体，包括在杂乱和变化的环境中，这有可能提高它们在工业和家庭环境中的实用性。

新方法允许机器人快速扫描环境并使用深度图像将其捕获的每个像素映射到其抓取质量

真实世界测试的动态抓取精度高达88%，静态实验高达92%。

该方法基于生成性掌握卷积神经网络

昆士兰科技大学的JürgenLeitner博士说，抓住和拾取物体是人类的一项基本任务，但事实证明它对机器来说非常困难。

“我们已经能够在非常受控的环境中对机器人进行编程，以获取非常具体的物品。然而，当前机器人抓取系统的一个主要缺点是无法快速适应变化，例如物体移动时， “莱特纳博士说。

“这个世界是不可预测的 - 事情会发生变化，移动和混乱，而且往往会在没有警告的情况下发生 - 所以机器人需要能够在非结构化环境中适应和工作，如果我们希望它们有效，”他说过。

由博士研究员Douglas Morrison，Leitner博士和QUT科学与工程系的杰出教授Peter Corke开发的新方法是一种实时的，与对象无关的闭环抓取的抓取合成方法。

“生成性掌握卷积神经网络方法的工作原理是通过预测每个像素的双指掌握的质量和姿势。通过在一次通过中使用深度图像映射其前面的内容，机器人不需要采样在做出决定之前有许多不同的可能的掌握，避免了长时间的计算，“莫里森先生说。

“在我们的实际测试中，我们在一组先前看不见的具有对抗几何形状的物体上获得了83%的抓取成功率，并且在抓取尝试期间移动的一组家用物体上获得了88%的抓握成功率。当我们也达到81%的准确率时抓住动态的混乱。“

莱特纳博士说，这种方法克服了当前深度学习抓取技术的一些局限性。

“例如，在2017年我们的团队赢得的亚马逊采摘挑战赛中，我们的机器人CartMan会查看一个物体箱，决定抓住物体的最佳位置，然后盲目进去尝试挑选它，“他说

“使用这种新方法，我们可以处理机器人在大约20毫秒内查看的对象的图像，这允许机器人更新其在何处抓取对象的决定，然后以更大的目的这样做。这在以下特别重要：杂乱的空间，“他说。

莱特纳博士表示，这些改进对工业自动化和家庭环境都很有价值。

“这一系列研究使我们能够使用机器人系统，而不仅仅是在整个工厂基于机器人功能构建的结构化设置中。它还允许我们在非结构化环境中抓取物体，在这些环境中，物体没有完美的计划和有序，机器人也是需要适应变化。

“这对工业有利 - 从用于网上购物和分拣的仓库到水果采摘。它也可以应用于家庭，因为更智能的机器人不仅可以真空吸尘或拖地，还可以选择物品把它们拿走。“

该团队的论文闭幕循环机器人掌握：实时，生成性掌握综合方法将于本周在美国匹兹堡卡内基梅隆大学举行的机器人：科学与系统会议上展示，这是最具选择性的国际机器人会议。

该研究得到了澳大利亚机器人视觉中心的支持。