用于控制机器人的手爪抓取对象的控制装置和方法与流程

1.本发明涉及一种用于控制机器人的手爪抓取对象的控制装置和控制方法，还涉及一种相应的机器可读存储介质。


背景技术：

2.智能机器人系统通过手爪与抓取对象进行交互而完成抓取操作。抓取对象特性各异，例如，如尺寸、形状和材料等都不尽相同；手爪也因手指和关节的数量不同而具有不同数量的自由度；而且抓取过程中可能存在外界干扰，因此完成抓取操作需要制定针对抓取对象、手爪和环境制定抓取规划。
3.抓取规划的制定目标是在能够抵抗外界干扰和对象自重的情况下获得能够满足抓取质量的抓取结果。在现有技术中，已经存在诸多针对抓取规划的算法研究，这些算法主要包括两类，即，基于分析法的抓取算法(简称为“分析法”)和基于经验法的抓取算法(简称为“经验法”)。但是，这两种解决方案均存在不尽如人意的方面。
4.分析法主要通过运动学和动力学公式以及数学模型来实现。但是，分析法的计算复杂度高，运算速度慢，搜索时间长，抓取结果的评估准确度不高。
5.经验法主要通过模拟人类手爪的抓取经验来实现。经验法因为借助了关于人类手爪抓取对象的经验的知识库和样本数据，因此算法效率相对较高。但是，经验法无法提供兼具灵活性和稳定性的抓取规划，因为抓取规划是基于已有经验而建立的。


技术实现要素：

6.下文给出对一个或多个方面的简要总结，以便提供对这样方面的基本理解。这个总结不是对全部方面的泛泛概括，以及不旨在标识全部方面的关键或重要元素，也不旨在描绘任意或全部方面的范围。其唯一的目的是以简化的形式给出一个或多个方面的一些实现，作为对后文所给出的更详细描述的序言。
7.根据本发明的一个方面，提供了一种用于控制机器人的手爪抓取对象的控制装置，所述控制装置包括第一模块和第二模块，
8.所述第一模块配置成：
9.生成抓取数据集以供所述第二模块使用，所述抓取数据集包含对应于手爪和对象的多个组合的多组数据，每组数据包含一手爪、一对象、用该手爪抓取该对象的多个抓取位姿以及表示各抓取位姿的抓取稳定性和/或抓取鲁棒性的质量分数；
10.所述第二模块配置成：
11.从所述抓取数据集中选择出与待抓取对象和当前手爪的组合相应的一组数据；
12.确定表示当前手爪是否能够到达所述待抓取对象的可达性以及表示当前手爪的端部不与环境中障碍物发生干涉的可能性的无碰撞概率；
13.基于选择出的一组数据中的各抓取位姿的质量分数以及确定出的可达性和无碰撞概率计算出各抓取位姿的综合抓取分数；以及
14.基于各抓取位姿的综合抓取分数确定出用于抓取所述待抓取对象的位姿。
15.根据本发明的另一个方面，提供了一种用于控制机器人的手爪抓取对象的控制方法，所述控制方法包括第一过程和第二过程，
16.其中，在所述第一过程中：
17.生成抓取数据集供所述第二过程使用，所述抓取数据集包含对应于手爪和对象的多个组合的多组数据，每组数据包含一手爪、一对象、用该手爪抓取该对象的多个抓取位姿以及表示各抓取位姿的抓取稳定性和/或抓取鲁棒性的质量分数；
18.在所述第二过程中：
19.从所述抓取数据集中选择出与待抓取对象和当前采用的手爪的组合相应的一组数据；
20.确定表示手爪是否能够到达所述待抓取对象的可达性以及表示手爪不与环境中障碍物发生干涉的可能性的无碰撞概率；
21.基于选择出的一组数据中的各抓取位姿的质量分数以及确定出的可达性和无碰撞概率计算出各抓取位姿的综合抓取分数；以及
22.基于各抓取位姿的综合抓取分数确定出用于抓取所述待抓取对象的位姿。
23.根据本发明的再一个方面，提供了一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得处理器执行如上所述的方法。
24.由此可见，根据本发明实施例的技术方案，在第一模块中能够高效地执行抓取规划以确定出高质量的抓取数据集，从而供第二模块使用。在第二模块中能够根据本发明实施例的抓取位姿筛选策略在抓取数据集中筛选出针对当前场景的最优抓取位姿。
25.根据本发明实施例的机器人抓取控制方案，能够应用于复杂环境下的多种抓取任务，在满足抓取质量的同时，提升了抓取操作的效率和可靠性。
附图说明
26.以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。
27.图1示意性示出了可以在其中实施本发明的一些实施方式的操作环境。
28.图2是根据本发明一实施方式的控制装置的示意性框图。
29.图3示出了在第一模块中生成抓取数据集的示例性过程。
30.图4示出了在第二模块中确定抓取位姿的示例性过程。
31.图5是根据本发明的一实施方式的用于控制机器人的手爪抓取对象的控制方法的流程图。
具体实施方式
32.本发明主要涉及用于控制机器人的手爪抓取对象的技术方案。在介绍本发明的具体实施方式之前，首先对说明书和权利要求书中的一些术语进行解释。
33.在本发明中，术语“抓取”包括用于操纵或拿起对象的多种类型。例如，对象可借助于钳形运动被抓取，或者被夹持并被拿起，或者被卡住并被拿起。
34.术语“机器人的手爪”或“手爪”包括用于相应的“抓取”的操纵设备或机器人的机
械臂的末端执行器。“手爪”可以是多指多关节的机械手抓。例如，手爪是二指、三指、四指或五指手爪。
35.术语“对象”可以是适于由机器人的手爪抓取的各种对象。例如，“对象”是可以接受微小形变的物体。微小形变可以理解为无法用眼睛直接观察到，需要借助一些装置将微小形变放大后才能观察到的形变。
36.术语“抓取空间”包括用于支配手爪抓取对象的空间。“抓取空间”可理解为手爪靠近并抓取对象的工作空间。手爪可以在该工作空间中运动，以便抓取对象。例如，抓取空间可以是放置有待抓取对象的物料框。
37.以下结合附图来说明本发明的具体实施方式。
38.图1示意性示出了可以在其中实施本发明的一些实施方式的操作环境100，其主要包括机器人10、抓取空间20和控制装置30。可以理解的是，本发明不限于该示意性环境100的特定架构。
39.参见图1，机器人10包括机器人臂11以及与机器人臂11的端部附接的末端执行器12。在本发明的实施例中，末端执行器12实现为机器人的手爪，例如，多指多关节的机械手爪。虽然图1中例示出了手爪12包括两个手指，但手爪12也可以包括其他样式的机械手爪，不限于此。
40.在抓取空间20中具有待抓取对象，例如，对象21和22。在一实施例中，抓取空间20是放置有待抓取对象的物料框。待抓取对象可以包括多个、多组、多个堆叠，等等，它们可以以不同的朝向位于抓取空间中的不同位置。
41.控制装置30与机器人10通过有线和/或无线链路通信连接。控制装置30用于控制机器人10的手爪12在抓取空间20中抓取对象。控制装置30可以实现为控制软件，例如，工业控制软件。
42.在一实施例中，控制装置30实现为如30a那样的、设置在与机器人10无线通信连接的智能设备(例如，智能手机、平板)中。在该实施例中，机器人10抓取对象的过程可以被远程遥控。
43.在另一实施例中，控制装置30可以实现为如30b那样的、设置在机器人10的上级控制设备(例如，控制pc)中。该上级控制设备可以根据具体操作环境而与机器人10有线和/或无线通信。在该实施例中，机器人10抓取对象的过程可以由上级控制设备控制。
44.在又一实施例中，控制装置30可以实现为如30c那样的、设置在机器人10中，即，与机器人10集成为一体。在该实施例中，机器人10可以是可编程的机器人。
45.可以理解的是，控制装置30控制机器人的手爪抓取对象的过程可能包含控制机器人臂的运动的过程，本发明对于控制机器人臂的过程不进行限定。
46.另外，控制装置30可以采用硬件或者软件或者软件与硬件相结合的方式来实现。对于硬件实现的部分，可以在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、数据信号处理器件(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、被设计以执行其功能的电子单元、或它们的组合中实现。对于以软件实现的部分，可以借助于微代码、程序代码或代码段来实现，还可以将它们存储在诸如存储组件之类的机器可读存储介质中。
47.图2是根据本发明的一实施方式的控制装置30的示意性框图。如图2所示，控制装
置30主要包括第一模块31和第二模块32。第一模块31和第二模块32均可以是软件模块。
48.可以理解的是，控制装置30的各模块的命名应当被理解为逻辑上的描述，而不应理解为物理形态或设置方式的限定。换言之，第一模块31和第二模块32可以实现在同一芯片或电路中，也可以分别设置于不同的芯片或电路中，还可以分别被进一步划分为多个子模块或者合并为单个模块。
[0049]“第一模块”可以理解为离线模块。“第一过程”可以理解为中的“离线过程。“离线”是指不在机械手爪抓取对象的过程中。“第一过程”可以是在抓取对象之前或在两次抓取对象间隔中的过程。例如，在手爪抓取对象之前，离线地执行确定抓取数据集的过程。
[0050]“第二模块”可以理解为在线模块。“第二过程”可以理解为在线过程。“在线”是指在机械手爪抓取对象的过程中。例如，在手爪抓取对象的过程中，在线地执行抓取位姿筛选的过程。
[0051]
图3示出了在第一模块中生成抓取数据集的示例性过程300。过程300可以借助于第一模块31实现。过程300被“离线地”执行。
[0052]
参见图3，在框310中，获取机器人的手爪模型和对象模型。手爪模型和对象模型均是基于计算机建模的三维模型。获取的手爪模型可以包含多个手爪模型，分别表示多种手爪中每一种手爪的模型。获取的对象模型可以包含多种对象模型，分别表示多种对象中的每一种对象的模型。
[0053]
在框320中，确定抓取数据集，其包含对应于手爪和对象的多个组合的多组数据，每组数据包含一手爪、一对象以及用该手爪抓取该对象的多个抓取位姿。基于框320，可以获得一手爪抓取一对象时优选的多个抓取位姿。
[0054]
在一实施例中，框320中的确定过程可以包含如下两个子过程(框321和框322)。
[0055]
在框321中，基于特征抓取来以降维方式搜索手爪位姿，从而大大减小了算力，降低了计算时间，提升了效率。
[0056]
对于多自由度的手爪，如果在搜索抓取空间时考虑每一个自由度，则会因为整个空间维度过高而造成搜索效率降低。采用框321中的基于特征抓取的降维方式，可以克服该问题。具体而言，每个特征抓取都是一个在高维手构型空间下的特征向量，通过采用这样数量相对少的特征向量的线性组合来获得抓取任务中的手爪姿态，可以将基于手爪自由度的高维搜索问题转化为基于特征抓取的低维搜索问题。
[0057]
在一实施例中，根据人手抓握动作的高度聚集性，通过将机械的手爪关节与人手关节进行映射，可以将多自由度的多维机械手爪的抓取空间简化为由两个特征抓取向量组成的二维特征抓取空间，并用如此经降维的空间进行手爪抓取位姿搜索，有效地降低了手爪位姿的搜索时间，提升了整体搜索效率。例如，可以采用如下公式(1)和(2)来执行抓取位姿搜索：
[0058]ei
＝[e
i,1
,e
i,2
,
…
,e
i,d
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0059][0060]
其中，ei为第i个抓取特征；i＝1,2
…
；e
i,d
为第d个关节自由度在第i个特征抓取中的运动；d为手爪关节自由度数量；p为手爪的抓取位姿；ai为第i个特征在形成p位姿时的运动幅度。
[0061]
在框322中，采用粒子群和模拟退火相结合的算法获得用于搜索的目标函数。
[0062]
在一实施例中，将一抓取规划任务视为对高位函数的优化。在采用粒子群与模拟退火相结合的算法中，首先利用粒子群算法收敛至某一全局最优解，再将该全局最优解作为模拟退火的初始解来进行随机搜索。如果存在更优解，可以用更优解随机更换粒子群中的粒子，然后继续执行粒子群算法优化。
[0063]
在该实施例中，可以通过如下方式建立目标函数。在降维后的特征抓取搜索空间中，采用预抓取，即，在手爪上预设接触点(该预设的接触点例如在手爪的指尖部分)，将手爪上预设的接触点与对象表面的距离及角度差作为变量指标，建立能量函数最小化的目标函数。因为在搜索满足该目标函数最小化的手爪位姿时可以不需要手爪完全闭合，所以进一步提升了整体优化算法的速度。接着，应用粒子群模拟退火算法，通过粒子群与模拟退火算法的交替搜索，确保了所得搜索结果为全局最优，提升了搜索结果的质量。例如，目标函数可以通过如下公式(3)和(4)建立：
[0064][0065][0066]
其中，δi为第i个预接触点的质量指标；oi为第i个预接触点与物体之间的距离；ni为第i个预接触点所在物体表面法线；α为比例参数，用于给出预设的线性距离范围；q为最终用于搜索的目标函数，其中i为预接触点编号，n为全部预接触点个数。
[0067]
在框330中，对确定出的抓取数据集中各抓取位姿进行评估，以便针对每个抓取位姿给出基于抓取稳定性和/或抓取鲁棒性的质量分数。换言之，抓取位姿的质量分数可以基于抓取稳定性给出，也可以基于抓取鲁棒性给出，还可以综合两者而给出。
[0068]
在一实施例中，抓取稳定性的评估可以通过引入物体螺旋空间来建模任务螺旋空间。接着，将抓取螺旋空间与其比较，得到耦合了任务兼容性的抓取稳定性分数。例如，可以采用如下公式(5)来计算抓取稳定性分数：
[0069][0070]
其中，r
gws
为抓取螺旋空间原点距其凸包平面的最小距离，r
ows
为物体螺旋空间原点距其凸包平面的最小距离。
[0071]
在一实施例中，抓取鲁棒性的评估可以这样实现：通过建立误差模型，得到力封闭抓取的概率。在误差模型中，误差空间为预抓取接触点附近允许的抓取误差范围。力封闭抓取的概率为误差空间中满足力封闭条件的接触点面积与整体抓取误差空间面积的比。可以将该概率对应地表示为抓取鲁棒性分数，例如用p(fc)表示。
[0072]
在一实施例中，基于上述抓取稳定性分数和抓取鲁棒性分数两者来确定抓取质量分数。例如，采用如下公式(6)来计算抓取质量分数：
[0073]
q＝q
╳
p(fc)
ꢀꢀꢀꢀꢀ
(6)
[0074]
其中，q为抓取质量分数；q为抓取稳定性分数；p(fc)为抓取鲁棒性分数。q的值越高，表示相应的抓取位姿的抓取质量越好。
[0075]
在框340中，基于计算出的各抓取位姿的质量分数，对抓取数据集的各组数据中的
抓取位姿进行排序，从而得到具有(耦合了)抓取质量分数的抓取数据集。这样，抓取数据集中的各组数据包含：
[0076]-手爪-对象组合；
[0077]-用该手爪抓取该对象的多个抓取位姿势；
[0078]-各抓取位姿具有抓取质量分数；并且
[0079]-在一组数据中，抓取位姿按照其质量分数从高到低的顺序排列。
[0080]
由此可见，在第一过程300中，将空间降维、粒子群和模拟退火算法相结合，从而高效地获得了高质量的抓取数据集。该抓取数据集在下面描述的第二过程400中被使用。
[0081]
图4示出了在第二模块中确定抓取位姿的示例性过程400。过程400可以借助于第二模块32实现。过程400被“在线地”执行。
[0082]
参见图4，在框410中，获取当环境模型、抓取对象位姿和在第一过程300中获得的抓取数据集。
[0083]
环境模型是用于描述环境的模型，例如基于计算机视觉的方式获得。抓取对象位姿可以包括抓取对象在当前环境中的摆放位置、摆放方向和摆放形式。
[0084]
例如，在物料框中抓取物品(对象)的场景下，借助于摄像头对物料框及其中的物品进行拍摄，得到它们的点云信息。接着，根据点云信息得到表示物料框及其中物品的八叉树模型。基于该模型，可以获知各物品的摆放位置、摆放方向和摆放形式。
[0085]
在框420中，确定当前抓取空间中多个抓取对象中的各抓取对象的抓取优先级，并将抓取优先级最高的对象确定为待抓取对象。
[0086]
抓取优先级可以用于确定抓取顺序，例如，对象的抓取优先级越高，表示该对象应当越优先被抓取。
[0087]
对象的抓取优先级可以通过以下三个方面(1)-(3)中的至少一个来确定。
[0088]
(1)视觉评价分数f1
[0089]
视觉评价分数对应于对象能够被识别出的准确度。该准确度与多种因素相关。
[0090]
在一实施例中，基于以下项中的至少一项来确定对象能够被识别的准确度：(1)物体被遮挡的程度f1；(2)对象在拍摄图像中的位置f2；(3)拍摄图像的成像质量f3；(4)用于图像处理以便识别出对象的样本数量和质量f4。对象能够被识别出的准确度可以由这些因素综合确定。例如，对象被遮挡的程度越低，在照片中的位置越居中，拍摄图像质量越高，样本数量越多并且样本质量越高，则对象能够被识别出的准确度越高，相应地，视觉评价分数f1越高。反之，对象被遮挡的程度越高，在照片中的位置越靠边缘，拍摄图像质量越低，样本数量越少并且样本质量越低，则对象能够被识别出的准确度越低，相应地，视觉评价分数f1越低。
[0091]
在该实施例中，可以根据如下公式(7)计算出视觉评价分数f1：
[0092]
f1＝(w1╳
f1)+(w2╳
f2)+(w3╳
f3)+(w4╳
f4)
ꢀꢀꢀꢀ
(7)
[0093]
其中，f1为视觉评价分数，w1、w2、w3和w4分别为f1、f2、f3和f4的权重，表示各方面因素的重要程度，它们可以根据具体应用场景而被调节，并且f1、f2、f3和f4之和为1。
[0094]
(2)高度分数f2
[0095]
高度分数对应于在对象被堆叠的情况下对象处于堆叠中的高度。在对象被堆叠的情况下，应该优先选择堆叠中的顶层对象抓取。例如，对象在堆叠中的位置越高，则高度分
数越高，应当越优先被抓取。反之，对象在堆叠中的位置越低，则高度分数越低，应当越滞后被抓取。
[0096]
(3)环境间隙分数f3
[0097]
环境间隙分数对应于对象与环境中障碍物之间的间隙程度。在一实施例中，环境间隙分数通过如下射线碰撞法获得。
[0098]
设定对象的表面上任一点p，以该点p为顶点，以预设的角度θ向外延伸直到该射线碰撞到环境中的障碍物。这样形成了锥尖为p，宽度为θ的圆锥。在该实施例中，射线延伸的长度对应于环境间隙分数。该长度越大，环境间隙分数越高，越应当被优先抓取。该长度越小，环境间隙分数越低，越应当被滞后抓取。
[0099]
在一实施例中，基于以上三个方面的分数来综合确定对象的抓取优先级。例如，通过如下公式(8)来计算对象的抓取优先级：
[0100]
f＝(a1╳
f1)+(a2╳
f2)+(a3╳
f3)
ꢀꢀꢀꢀꢀ
(8)
[0101]
其中，f为对象的抓取优先级，a1、a2和a3分别为f1、f2和f3的权重，表示各方面分数的重要程度，它们可以根据具体应用场景而被调节，并且a1、a2和a3之和为1。
[0102]
可以理解的是，这些分数的计算可以在感知系统中执行，并由感知系统将计算出的分数传输给控制装置30。感知系统可以包括信息采集装置(例如，摄像头)以及和用于处理采集到的信息的信息处理装置(例如，计算机)。这些分数的计算也可以在控制装置30中执行，例如，由感知系统将拍摄信息传输给控制装置并在控制装置中计算出各方面的分数。
[0103]
在框430中，从在第一过程中确定出的抓取数据集中选择出与待抓取对象(已在框420的过程中确定出)和当前手爪的组合相应的一组数据。
[0104]
在框440中，确定表示手爪是否能够到达所述待抓取对象的可达性以及表示当前手爪的端部不与环境中障碍物发生干涉的可能性的无碰撞概率。
[0105]
抓取可达性表示机械的手爪能否在满足其自身机械约束的情况下运动至待抓取对象。例如，用k表示可达性，其中k为0表示不可达，k为1可达。
[0106]
在一实施例中，通过抓取空间离散化建模来判断可达性。例如，确定所述可达性包括：确定出当前抓取空间的多个离散位置点(例如，将物料框中的连续空间离散为多个离散位置点)；将手爪能够运动到的离散位置点构成的空间确定为可达空间；以及基于待抓取对象是否位于所述可达空间中来确定可达性。
[0107]
无碰撞概率表示机械的手爪与环境中障碍物不发生干涉的可能性。例如，可以通过如下公式(9)来计算无碰撞概率：
[0108]
p＝min{h1,h2,
…
,hn}
ꢀꢀꢀꢀ
(9)
[0109]
其中，p为无碰撞概率；n为手爪与对象接触点的数量，hi为第i个接触点距周围障碍物的最小距离，该距离可以通过射线碰撞检测的方式获得。
[0110]
在一实施例中，可以通过射线碰撞检测来计算对象的无碰撞概率。例如，确定无碰撞概率包括：针对手爪的端部(例如，指尖部分)与待抓取对象表面的各接触点，以该接触点为起点，沿着对象表面的法线方向向外延伸至不会碰到环境中任何障碍物的高度为止；以及基于针对各接触点的多个高度中的最短高度确定出所述无碰撞概率。
[0111]
在框450中，基于框430中选择出的一组数据中的各抓取位姿的质量分数以及框440中确定出的可达性和无碰撞概率计算出各抓取位姿的综合抓取分数。这样，得到了选择
出的一组数据中的多个抓取位姿的各位姿的综合抓取分数。并且，可以基于综合抓取分数从高到低来对这些抓取位姿进行排序。
[0112]
在一实施例中，通过如下公式(10)来计算综合抓取分数：
[0113]
f＝ke
c1qec2p
,q》q
t
,p》p
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0114]
其中，f表示综合抓取分数，q表示质量分数，p表示无碰撞概率，c1和c2分别表示质量分数和无碰撞概率的权重，q
t
和p
t
分别表示质量分数和无碰撞概率的及格阈值，k表示可达性，其值为0或1。
[0115]
在框460中，基于各抓取位姿的综合抓取分数确定出用于抓取该待抓取对象的位姿。例如，可以将综合抓取分数最高的抓取位姿确定为用于抓取该待抓取对象的位姿。
[0116]
在一实施例中，确定出用于抓取所述待抓取对象的位姿可以包括如下无碰撞验证过程：按照各抓取位姿的综合抓取分数从高到低的顺序，通过软件模拟无碰撞验证，以便验证当前手爪在以一抓取位姿抓取所述待抓取对象的过程中是否会与环境中障碍物发生干涉，并将首次通过验证的抓取位姿确定为用于抓取所述待抓取对象的位姿。
[0117]
在该实施例中，可以借助于软件来模拟基于逆运动学的无碰撞验证，从而依次验证经排序的位姿，并将首次被验证为不会与环境中的障碍物发生干涉(发生碰撞)的抓取位姿确定为最终的抓取位姿。
[0118]
需要注意的是，对于上面描述的无碰撞概率的确定过程，是在假设手爪的端部(例如，指尖部分)与环境中障碍物发生干涉(碰撞)的情况下实现的。而对于在此描述的无碰撞验证过程，是在假设整个手爪与环境中障碍物发生干涉(碰撞)的情况下实现的。这样的处理是有益的，例如，在无碰撞概率的确定过程中由于减少了计算量而提升了计算速度；并且，在无碰撞验证过程中通过基于运动学反解的模拟验证而得出在真实场景中不会发生碰撞的抓取位姿。
[0119]
由此可见，在第二过程400中，基于在第一过程300中得到的抓取数据集，通过决策对象的抓取优先级，评估抓取位姿以及无碰撞验证得到当前场景下可以采用的最优抓取位姿。
[0120]
本发明的另一个方面涉及一种用于控制机器人的手爪抓取对象的控制方法。该方法可以借助于上述控制装置来实现，因此以上相关描述同样适用于此，在此不赘述。
[0121]
图5示出了根据本发明一实施方式的用于控制机器人的手爪抓取对象的控制方法500。控制方法500主要包括第一过程510和第二过程520。
[0122]
在所述第一过程510中，生成抓取数据集供所述第二过程使用，所述抓取数据集包含对应于手爪和对象的多个组合的多组数据，每组数据包含一手爪、一对象、用该手爪抓取该对象的多个抓取位姿以及表示各抓取位姿的抓取稳定性和/或抓取鲁棒性的质量分数。
[0123]
在所述第二过程520中执行如下步骤：
[0124]
在步骤s521中，从所述抓取数据集中选择出与待抓取对象和当前采用的手爪的组合相应的一组数据；
[0125]
在步骤s522中，确定表示手爪是否能够到达所述待抓取对象的可达性以及表示手爪不与环境中障碍物发生干涉的可能性的无碰撞概率；
[0126]
在步骤s523中，基于选择出的一组数据中的各抓取位姿的质量分数以及确定出的可达性和无碰撞概率计算出各抓取位姿的综合抓取分数；
[0127]
在步骤s524中，基于各抓取位姿的综合抓取分数确定出用于抓取所述待抓取对象的位姿。
[0128]
本发明在又一个方面涉及机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得一个或多个处理器执行上述控制方法500。
[0129]
可以理解的是，处理器可以使用电子硬件、计算机软件或其任意组合来实施。这些处理器是实施为硬件还是软件将取决于具体的应用以及施加在系统上的总体设计约束。作为示例，本发明中给出的处理器、处理器的任意部分、或者处理器的任意组合可以实施为微处理器、微控制器、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编程逻辑器件(pld)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。本发明给出的处理器、处理器的任意部分、或者处理器的任意组合的功能可以实施为由微处理器、微控制器、dsp或其它适合的平台所执行的软件。
[0130]
可以理解的是，软件应当被广泛地视为表示指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、运行线程、过程、函数等。软件可以驻留在计算机可读介质中。计算机可读介质可以包括例如存储器，存储器可以例如为磁性存储设备(如，硬盘、软盘、磁条)、光盘、智能卡、闪存设备、随机存取存储器(ram)、只读存储器(rom)、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、寄存器或者可移动盘。尽管在本公开给出的多个方面中将存储器示出为是与处理器分离的，但是存储器也可以位于处理器内部(如，缓存或寄存器)。
[0131]
虽然前面描述了一些实施方式，这些实施方式仅以示例的方式给出，而不意于限制本发明的范围。所附的权利要求及其等同替换意在涵盖本发明范围和主旨内做出的所有修改、替代和改变。