视觉伺服抓取通常将相机采集的当前图像特征与期望图像特征之间的偏差作为输入信号,通过图像处理、视觉伺服策略等使机械手能够运动到期望位姿。传统的基于位置或基于图像的视觉伺服存在各自的缺点,这里在视觉伺服控制方面,结合位置视觉伺服收敛速度快以及图像视觉伺服精度高的优点,研究了基于位置和基于图像的切换视觉伺服方法。以机械手坐标系原点与期望位姿坐标系原点在世界坐标系下的距离作为视觉伺服切换的阈值,通过对切换视觉伺服方法的仿真分析,验证了该方法在前半程可以快速达到物体附近,后半程利用图像伺服可以使机械手精确到达期望位置。

针对视觉机器人抓取目标的稳定性和准确性,提出一种关注探索方法的强化学习策略。采用深度关注的确定性策略梯度算法,利用关注区域建议网络来选择预勘探区域消息,并通过自适应探索方法计算该消息,以随着目标的变化调整策略。根据末端执行器与预勘探区域中心之间的距离,定义分层奖励函数,用于减少稀疏奖励矩阵带来的杂项信息。在Bullet3环境下进行了训练,实验结果表明:所提策略能够克服训练过程中可能出现的稳定性差和收敛效率低的问题,能产