概述：
機器人廣泛應用於工業生產的加工和裝配等各個領域。傳統的工業機器人需要透過複雜的標定和預程式設計來完成任務。近年來，自動化水平的發展對機器人在不確定環境下執行復雜任務提出了更高的要求。因而機器人機械手的靈巧性受到更多的關注。本課題旨在工業機器人的靈巧性研究。這其中包括
1. 工業機械手/靈巧手的智慧實時抓取；
2. 靈巧手的手內操控；
3. 工業機器人強化學習與智慧裝配。
1. 工業機械手/靈巧仿生手的智慧實時抓取
1）工業機械手智慧實時抓取
工業機械手擁有特殊設計的夾具結構以及與工件較大的接觸面積，故而在工業裝配中有著廣泛應用。一個典型的工業機械手如圖1.1.1（左）所示。傳統工業需要預先標定機械手在工件上的抓取位置，因而效率較低，人力成本高。本研究提出了一種“迭代表面擬合”演算法，如圖1.1.1（右）所示。
圖1.1.1. （左）本課題所使用機械手，（右）迭代表面擬合示意圖。（右a）夾具表面點陣與物體點雲的對應匹配，（右b）表面擬合最佳化確定夾具轉換矩陣和伸縮長度。
圖1.1.2. 抓取規劃框圖。迭代表面擬合根據初始取樣點搜尋合適的抓取姿態，不同的抓取姿態透過軌跡規劃篩選確定最優抓取點。初始點的取樣權值根據抓取姿態的分數更新。
迭代表面擬合演算法進一步的被應用到工業機械手的抓取中，規劃框圖如1.1.2所示。該演算法實現了穩定的實時自動抓取，抓取姿態規劃速率在0.1秒以內。本演算法可以實現雜亂環境下的多個未知物體的實時抓取，如圖1.1.3所示。該課題獲得了國際自動化科學與工程會議（CASE2018 ）的最佳應用論文。目前該課題成功實現了與深度網路的分層規劃，使得多物體抓取效率進一步提高，如圖1.1.4.所示。論文下載地址:
https://arxiv.org/abs/1803.11290
圖1.1.3. 工業機器人抓取實驗。實驗中多個物體堆放在一起。該演算法直接在原點雲圖上尋找最優抓取點，對點雲的噪音、空洞魯棒，並且無需分割不同的物體。
圖1.1.4. 該演算法與深度學習結合的分層規劃圖例。（上）多個物體重疊的雜亂環境，（中）深度圖和神經網路輸出，（下）機器人的實際抓取圖。深度學習用於搜尋適合抓取的區域，而迭代表面搜尋演算法用於規劃具體的抓取姿態。
2) 靈巧手的智慧實時抓取
深度學習在簡單夾具的抓取中獲得了巨大成功，而靈巧手以其多關節的特性難以使用深度學習規劃抓取點，如圖1.2.1（左）所示。該研究提出了一種“手指分裂”演算法，成功的將深度學習獲得的簡單平行夾具的抓取資訊轉化到靈巧手上。該演算法從平行夾具的抓取點出發，透過提出的接觸最佳化-手掌最佳化的迴圈最佳化策略，實時的分裂出多個抓取點，探索物體表面以提高抓取質量，如圖1.2.1（右）所示。該演算法目前應用到搜尋不同形狀不同大小功能的物體抓取中，如圖1.2.2所示。在物理模擬引擎Mujoco的測試顯示該演算法可以顯著提高抓取成功率，如圖1.2.3所示。該演算法對抓取質量的提高透過多種不同的抓取質量測量方法驗證，如圖1.2.4所示。該課題成果已發表至國際機器人與系統會議（IROS2018）上。論文下載地址：
https://arxiv.org/abs/1804.00050
圖1.2.1. （左）多關節靈巧手示意圖，（右）基於接觸最佳化-手掌最佳化的迴圈最佳化的手指分裂演算法。（右a）平行夾具抓取點的直接對映，（右b）接觸最佳化用於搜尋物體表面獲得更高的抓取質量，（右c）手掌最佳化用於保持接觸點並調整手掌姿態以獲得更高的操作效能。
圖1.2.2. 抓取規劃模擬結果，本演算法適用於不同種類不同形狀的物體。
圖1.2.3. 抓取的物理模擬結果。（上）平行手指的簡單對映抓取，抓取失敗，（下）手指分裂演算法得到的抓取結果，抓取成功。
圖1.2.4. 抓取質量提高圖。手指分裂演算法在不同的抓取質量測量方法下均有提高。
（未完待續）
