機械工業網

歷史雜誌

依專輯名稱關鍵字搜尋或依年份搜尋，年份輸入範例202406

作者:王仁蔚、李佳蓮、陳健倫、王俞程、鄭詠珈、李志中應用視圖之經驗轉移於機器手臂夾取隨機堆疊物件

本文提出了一種新的夾取演算流程，可供機器手臂在隨機堆疊的物件中夾取目標物。首先，本文使用實例切割和基於視圖的經驗轉移演算法來獲得候選夾取點；隨後，利用避免碰撞和可進行穩定性分析的演算法，篩選出最佳夾取點，以供機器手臂夾取。基於視圖的經驗轉移策略是先找到物體的姿態，接著再將夾取經驗轉移到切割出的圖像中以獲得夾取點。本文並建立一機器手臂系統進行評估，實驗裝置包含一台六軸機器手臂，一個二指平行夾爪和一台Kinect V2 RGB-D相機。實驗結果顯示，本文所提出的方法可以推廣到具有複雜形狀的物體，並且能夠在密集堆疊的箱中夾取不同類別的物體。

作者:蔡承翰、洪國峰模擬器自動圖像生成及自動標註：以深度學習結合機器人隨機堆疊取料為例

目前視覺領域中的深度學習往往依賴大量圖像及針對這些圖像進行標註，才能將資料集給深度學習演算法進行學習，而人工蒐集資料曠日廢時，且成像品質無法控管其為問題之一，人工針對大量資料進行標註，不同工程師標註方式與品質不一，且此工作枯燥乏味無法負荷長時間工作其為問題之二。針對上述兩個問題，本技術提出以模擬器建立高擬真的場景，其中包含工廠配置、料籃、光源及工件資料，並透過多樣性生成算法(Domain Randomization)，快速產生大量符合物理特性工件隨機堆疊擺放之多樣性場景，以及相關條件控制如：光源種類、光源方向等。針對每一次的場景進行工件遮蔽演算法計算，判別物料隨機掉落於料籃後是否有遮蔽現象等，以配合後續機器人隨機堆疊取料之應用情境。根據每一次場景結果進行圖像儲存以及自動圖像標註包含：工件多邊型標註(Polygon)資訊、深度圖像取料點標註(Picking Point label)資訊、圖像儲存位置描述等，其描述檔案符合Pascal 與 COCO Datasets格式，故可以支援絕大多數圖像深度學習演算法之使用。

作者:蔡承翰、洪國峰機器人與智慧3D 視覺：以工廠快速換線與隨機堆疊取料為例