基于深度学习的轻量级机器人抓取方法  

作　　者：李安琪 闵强强 周青华 

机构地区：[1]四川大学空天科学与工程学院,四川成都610065

出　　处：《装备制造技术》2024年第12期1-5,共5页Equipment Manufacturing Technology

基　　金：国家自然科学基金面上项目(52275205)。

摘　　要：以空间机器人为执行载体的在轨服务技术是实现航天器在轨维护、延长服役寿命的关键途径。该文面对空间机器人在轨计算硬件资源有限的问题,基于深度学习提出一种轻量级机器人抓取方法,实现对目标的精准抓取和操作,提升机器人在轨作业的自主性。首先构建YOLO-Light目标检测模型,该模型基于YOLOv8网络结构,引入半解耦的LightHead检测头以减少计算负担和参数量,设计C2f-MBConv模块降低参数量和计算量的同时保持检测精度,并通过剪枝实现对模型的进一步压缩。与YOLOv8n相比,YOLO-Light模型的参数量、计算量和模型大小分别减少70%、65.4%和66.7%,而mAP50指数仅下降0.06。进一步,基于生成残差卷积神经网络,设计了融合ECA注意力机制的抓取检测网络,在不引入过多额外参数的情况下,更精细地调整通道特征的权重,有效增强通道间的信息交互,使得网络在面对复杂环境时,仍能准确地识别目标姿态,最终以矩形抓取框作为输出,合理地表示目标的抓取姿态。训练结果表明:在IOU为0.25时,准确度达到93%。最后,利用基于Gazebo的机器人抓取仿真实验验证所提轻量级机器人抓取方法的有效性。

关 键 词：在轨服务 机器人抓取 目标检测 抓取检测 轻量化网络 

分 类 号：V19[航空宇航科学与技术—人机与环境工程]