1.一种基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述方法包括:根据MCB模块以及残差模块进行模型构建,获得待训练MCN抓取姿态预测模型;
使用预设的训练图像,对所述待训练MCN抓取姿态预测模型进行训练,获得MCN抓取姿态预测模型;
通过外部相机对目标场景进行拍摄,获得目标图像;
将所述目标图像输入所述MCN抓取姿态预测模型,获得抓取姿态;
根据预设的坐标转换单应性矩阵,对所述抓取姿态进行坐标变换,获得机器人抓取姿态;
根据所述机器人抓取姿态以及预设的机器人运动学模型进行逆运动求解,得到关节转动角度值;
根据所述关节转动角度值,通过执行器执行抓取动作。
2.根据权利要求1所述的基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述MCN抓取姿态预测模型包括输入层、特征提取层、特征融合层和输出层;
所述输入层包括具有32个滤波器的卷积层;
所述特征提取层包括MCB模块以及残差模块;
所述特征融合层包括重复空间算子、细化通道算子和卷积融合模块;
所述输出层包括转置卷积层以及具有sigmoid激活函数的卷积层。
3.根据权利要求2所述的基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述将所述目标图像输入所述MCN抓取姿态预测模型,获得抓取姿态,包括:对所述目标图像进行预处理,获得处理后目标图像;
将所述处理后目标图像输入所述输入层进行特征提取,获得32通道特征图;
将所述32通道特征图输入所述特征提取层进行逐层特征提取,获得多层级特征图;
将所述多层级特征输入所述特征融合层进行整合处理,获得融合特征图;
将所述融合特征图输入所述输出层进行预测结果生成,获得抓取姿态。
4.根据权利要求3所述的基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述将所述32通道特征图输入所述特征提取层进行逐层特征提取,获得多层级特征图,包括:根据所述32通道特征图,采用一个3×3的卷积核进行空间特征提取,获得局部空间特征图;
基于坐标注意力机制,将可学习的坐标嵌入向量添加到所述局部空间特征图的每个通道中,获得空间注意力图;
根据所述空间注意力图进行编码操作,获得空间选择性注意力图;
根据所述空间选择性注意力图,对所述局部空间特征图进行加权,获得多层级特征图。
5.根据权利要求4所述的基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述根据所述空间注意力图进行编码操作,获得空间选择性注意力图,包括:对所述空间注意力图沿水平方向进行一维编码操作,获得水平注意力图;
对所述空间注意力图沿垂直方向进行一维编码操作,获得垂直注意力图;
将所述水平注意力图以及所述垂直注意力图的对应元素相乘,获得空间选择性注意力图。
6.根据权利要求3所述的基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述将所述融合特征图输入所述输出层进行预测结果生成,获得抓取姿态,包括:对所述融合特征图进行上采样处理,获得原始分辨率图像;
根据所述原始分辨率图像,通过具有sigmoid激活函数的卷积层进行姿态生成,获得抓取姿态。
7.根据权利要求1所述的基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述抓取姿态包括抓取位置、抓取方向、抓取宽度和抓取质量分数。
8.一种基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计系统,所述基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计系统用于实现如权利要求1-7任一项所述基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法,其特征在于,所述系统包括外部相机、电子设备和机械臂,其中:所述外部相机,用于通过外部相机对目标场景进行拍摄,获得目标图像;
所述电子设备,用于根据MCB模块以及残差模块进行模型构建,获得待训练MCN抓取姿态预测模型;使用预设的训练图像,对所述待训练MCN抓取姿态预测模型进行训练,获得MCN抓取姿态预测模型;将所述目标图像输入所述MCN抓取姿态预测模型,获得抓取姿态;根据预设的坐标转换单应性矩阵,对所述抓取姿态进行坐标变换,获得机器人抓取姿态;根据所述机器人抓取姿态以及预设的机器人运动学模型进行逆运动求解,得到关节转动角度值;
所述机械臂,用于根据所述关节转动角度值,通过执行器执行抓取动作。
9.一种机器人抓取姿态估计设备,其特征在于,所述机器人抓取姿态估计设备包括:处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。