为解决草莓自动化夹持中的损伤问题,该研究提出一种基于视触觉融合的接触力精确感知方法。设计了集成视触觉传感器的夹爪,并构建了AFE-Unet3+(area and force estimation unet3+)神经网络。该网络基于Unet3+网络,融合高效局部注意力机制...为解决草莓自动化夹持中的损伤问题,该研究提出一种基于视触觉融合的接触力精确感知方法。设计了集成视触觉传感器的夹爪,并构建了AFE-Unet3+(area and force estimation unet3+)神经网络。该网络基于Unet3+网络,融合高效局部注意力机制(efficient local attention,ELA),构建多尺度结构相似性损失函数(multi-scale structural similarity index,MS-SSIM),实现了对接触区域和力值的同步估计。AFE-Unet3+与Unet3+及CANFnet相比,AFE-Unet3+模型在接触区域预测的交并比(intersection over union,IoU)上分别提升了0.01和0.06;在法向力预测的平均绝对误差(mean absolute error,MAE)上分别降低了0.057和0.63,且力值回归的平均校正决定系数(adjusted coefficient of determination,R~2)高达0.976。对3个品种草莓的损伤阈值试验测得,其安全夹持力范围为0.3~0.6 N,试验结果表明所设计的视触觉夹爪可为草莓无损抓取提供有效的力信息支持。展开更多
文摘为解决草莓自动化夹持中的损伤问题,该研究提出一种基于视触觉融合的接触力精确感知方法。设计了集成视触觉传感器的夹爪,并构建了AFE-Unet3+(area and force estimation unet3+)神经网络。该网络基于Unet3+网络,融合高效局部注意力机制(efficient local attention,ELA),构建多尺度结构相似性损失函数(multi-scale structural similarity index,MS-SSIM),实现了对接触区域和力值的同步估计。AFE-Unet3+与Unet3+及CANFnet相比,AFE-Unet3+模型在接触区域预测的交并比(intersection over union,IoU)上分别提升了0.01和0.06;在法向力预测的平均绝对误差(mean absolute error,MAE)上分别降低了0.057和0.63,且力值回归的平均校正决定系数(adjusted coefficient of determination,R~2)高达0.976。对3个品种草莓的损伤阈值试验测得,其安全夹持力范围为0.3~0.6 N,试验结果表明所设计的视触觉夹爪可为草莓无损抓取提供有效的力信息支持。
