機器人學(xué)習(xí)中的經(jīng)典問題之一便是分揀：在一堆無序擺放的物品堆中，取出目標(biāo)物品。在快遞分揀員看來，這幾乎是一個不需要思考的過程，但對于機械臂而言，這意味著復(fù)雜的矩陣計算。事實上，對于人類需要耗費大量時間的數(shù)理難題，用智能系統(tǒng)處理起來就顯得十分容易，但在幾乎不需要思考的情況下就能做出的分選動作，則是全世界機機器人研究專家關(guān)注的熱點。
分揀機器人拋光機機械臂抓取需要確定每段機械臂的位姿首先，機械臂需要視覺伺服系統(tǒng)，來確定物體的位置，根據(jù)末端執(zhí)行器的相對位置，可分為Eye-to-Hand和Eye-in-Hand兩種系統(tǒng)。Eye-to-Hand的分離式分布，視野固定不變，如果相機的標(biāo)定精度高的話，那么視覺定位于抓取的精度也越高。Eye-in-Hand則將機械臂與視覺傳感器固定在一起，視野隨機械臂的移動而改變，傳感器越近時精度越高，但過于靠近時則可能使目標(biāo)超出視野范圍。
藥品分揀機器人批發(fā)價格精密的視覺系統(tǒng)與靈活機械臂的配合，才能完成一次完美的抓取，而這正是當(dāng)前機器人操作中的核心難題，歸納起來就是這么一件事：找到合適的抓取點，抓住它。之后的轉(zhuǎn)運執(zhí)行，則屬于運動規(guī)劃的分支。目前幾種主流的解決方案Model-based這種方法很好理解，即知道要抓什么，事先采用實物掃描的方式，提前將模型的數(shù)據(jù)給到機器人系統(tǒng)，機器在實際抓取中就只需要進(jìn)行較少的運算：
1.離線計算：根據(jù)搭載的末端類型，對每一個物體模型計算局部抓取點；
2.在線感知：通過RGB或點云圖，計算出每個物體的三維位姿；
3.計算抓取點：在真實世界的坐標(biāo)系下，根據(jù)防碰撞等要求，選取每個物體的最佳抓取點。
RGB顏色空間由紅綠藍(lán)三種基本色組成，疊加成任意色彩，同樣地，任意一種顏色也可以拆解為三種基本色的組合，機器人通過顏色坐標(biāo)值來理解“顏色”。這種方式與人眼識別顏色的方向相似，在顯示屏上廣泛采用。
國內(nèi)分揀機器人研究現(xiàn)狀分揀機器人分析CGrasp對精密軸承的無序抓取Half-Model-based在這種訓(xùn)練方式中，不需要完全預(yù)知抓取的物體，但是需要大量類似的物體來訓(xùn)練算法，讓算法得以在物品堆中有效對圖像進(jìn)行“分割”，識別出物體的邊緣。這種訓(xùn)練方式，需要這些流程：
1.離線訓(xùn)練圖像分割算法，即把圖片里的像素按物體區(qū)分出來，此類工作一般由專門的數(shù)據(jù)標(biāo)注員來處理，按工程師的需求，標(biāo)注出海量圖片中的不同細(xì)節(jié)；
2.在線處理圖像分割，在人工標(biāo)注出的物體上，尋找合適的抓取點。這是一種目前應(yīng)用較為廣泛的方式，也是機械臂抓取得以推進(jìn)的主要推力。機械臂技術(shù)發(fā)展緩慢，但計算機視覺的圖像分割則進(jìn)展迅速，也從側(cè)面撬動了機器人、無人駕駛等行業(yè)的發(fā)展。
Model-free這種訓(xùn)練方式不涉及到“物體”的概念，機器直接從RGB圖像或點云圖上計算出合適的抓取點，基本思路就是在圖像上找到Antipodal，即有可能“抓的起來”的點，逐步訓(xùn)練出抓取策略。這種訓(xùn)練方式往往讓機器手大量嘗試不同種類的物品，進(jìn)行self-supervisedlearning，Google的ArmFarm，即為其中的代表之一。
GoogleArmFarm值得注意的是，對于機械手而言，不同形狀的物品，抓取難度有天壤之別。即便是同樣形狀的物體，由于表面反光度和環(huán)境光照的影響，在不同場景的抓取難度也大相徑庭。從實驗室到商業(yè)落地，其中有相當(dāng)一段路要走。
茂名分揀機器人碼垛高精密度的相機研發(fā)，是機器人“感知”物體的第一步。實際商業(yè)場景中，最麻煩的物體總是“下一個物體”。工業(yè)機器人要真正融入實際生產(chǎn)體系，只有具備聰明的大腦，針對不同工況做出柔性的調(diào)整，才能拓寬工業(yè)機器人的使用場景。
紙箱物流分揀機器人自動分箱終端分揀機器人多少錢一臺湖北省藥品分揀機器人快遞分揀機器人用了哪些技術(shù)