- 文献综述（或调研报告）：
Andy Zeng等人实现了机器人通过自监督学习, 让机器人选择使用“推”或“抓”动作。在仿真和现实环境下，机器人用“推”来改变工作台的物体分布，从而改善“抓”的成功率。最终机器人能将工作台的所有物体抓到存储位置，或经过多步动作物体分布无明显变化而终止动作尝试。记录结果表明，该抓取模型有非常优秀的成功率。[1]此外，Andy Zeng等人还实现了机器人通过自监督学习，从多种不同的抓取方式进行选择，抓取桌面上的物体，经过自监督学习，能将物体识别为学习到的不同模式，并放入不同的箱子中。[2]
L. Pinto和A. Gupta对特定的末端执行器定义18个方向的抓取窗口，也即是18个采样窗口。相机图像经过处理后，输出以待抓取物体为中心的采样图像。然后用CNN接FC对这18个方向的采样进行分析，以抓取成功与否提供误差反馈，其效果等同于18个方向的二元分类。[3]
Jeffrey Mahler等人用GQ-CNN对物体的点云数据进行模型拟合，然后通过训练学习到抓取价值最高的方式。[4]
Marcus Gualtieri等人则存储了数千种抓取方式，然后依照许多种抓取方式移动机械臂，尝试将物体的点云数据包含在末端“手指”之间，以此进行抓取方式的初筛；然后用CNN来评价候选抓取方式。[5]
机器人抓取的研究，从早期的硬编码，到数据驱动式学习；从依赖于标签的监督学习，到不依赖标签的自监督学习；从只考虑“抓”的动作，到同时考虑“抓”和“推”的动作，经历了长足的发展。
[1] Zeng A , Song S , Welker S , et al. Learning Synergies between Pushing and Grasping with Self-supervised Deep Reinforcement Learning[J]. 2018.
[2] Andy Zeng, Shuran Song, Kuan-Ting Yu, et al. Robotic Pick-and-Place of Novel Objects in Clutter with Multi-Affordance Grasping and Cross-Domain Image Matching[J]. 2018
[3] L. Pinto, A. Gupta. Supersizing self-supervision: Learning to grasp from 50k tries and 700 robot hours[J]. 2016.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
