买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利一种适用于被遮挡物体抓取的机械臂自主控制方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116330284B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310305511.3，技术领域涉及：B25J9/16；该发明授权一种适用于被遮挡物体抓取的机械臂自主控制方法及系统是由杨宇翔;全嘉勉;郭江涛;董哲康;黄继业;李平设计研发完成，并于2023-03-24向国家知识产权局提交的专利申请。

本一种适用于被遮挡物体抓取的机械臂自主控制方法及系统在说明书摘要公布了：本发明公开了一种适用于被遮挡物体抓取的机械臂自主控制方法，S1、初始化机械臂，采集RGB彩色图像数据和Depth深度图像数据；S2、对采集的当前场景进行观察识别；S3、利用矩阵形式的场景物体可见信息，判断i号目标物体是否可见；S4、根据待操作物体的重心坐标，网络输出一个机械臂推动物体的方向，同时根据奖励函数给出决策信息；S5、机械臂根据接收的待操作物的重心坐标信息执行抓取或推动动作；S6、机械臂执行推动动作，推开障碍物，寻找目标物体，直至目标物体可见且无遮挡；目标物体可见且无遮挡后，机械臂抓取目标物体，返回并放置于桌面上。该方法可以实现横向的被遮挡目标物体的抓取，可应用于无人商店，医院药房，仓库等多种场景。

本发明授权一种适用于被遮挡物体抓取的机械臂自主控制方法及系统在权利要求书中公布了：1.一种适用于被遮挡物体抓取的机械臂自主控制系统的控制方法，其特征在于，该系统包括图像数据采集模块，物体选择模块，动作决策模块以及机械臂抓取模块； 所述图像数据采集模块包括： RealsenseD435深度相机，用于采集RGB彩色图像数据和Depth深度图像数据； 物体选择模块，用于输入场景的Depth深度图像以及Depth深度图像的场景前景分割掩膜，利用DoubleDQN强化学习算法选择要进行交互的物体； 动作决策模块，用于输入局部Depth深度图像以及局部Depth深度图像的待交互物体掩膜，利用DoubleDQN强化学习算法决定机械臂要执行的动作； 机械臂抓取模块，用于对待操作物体进行动作； 具体步骤如下： S1、初始化机械臂，使其移动至观察位姿，采集RGB彩色图像数据和Depth深度图像数据； S2、对采集的当前场景进行观察识别： 利用Depth深度图像数据进行场景的前景分割和实例分割； 利用Depth深度图像数据进行场景的前景分割的方法为： 利用深度值大小条件去除深度值小于阈值ξ的场景后方的背景，再利用深度值的梯度条件去除水平和竖直梯度为负值的场景周围的背景，得到场景中所有物体组成的前景掩膜； 利用Depth深度图像数据进行场景的实例分割的方法为：如果一个像素点的邻域内没有被标记过的点，则给此像素点赋一个新的label； 如果一个像素点的邻域内有被标记过的点，查询邻域内标记点的深度值，判断是否存在与中心像素深度值之差小于阈值η的像素点； 如果邻域内存在有标记且深度值之差小于阈值η的点，取其中差值最小的点，将其标记label赋给中心像素点；否则给中心像素点赋一个新的label； 利用预训练的孪生网络对分割掩膜下的RGB彩色图像数据进行识别，得到矩阵形式的场景物体可见信息，即存在标志性矩阵EFM，表达式如下： 其中n行代表n个物体且有固定顺序，m列代表实例分割的m个实例掩膜，不具固定顺序，矩阵的第i行，第j列的值为1，EFMi,j＝1，表示第j个分割实例被孪生网络识别为i号物体； S3、利用矩阵形式的场景物体可见信息，判断i号目标物体是否可见，即判断是否有目标物体： 即判断是否有： S31若目标物体可见，则判断其是否被遮挡，即判断实例掩膜的邻域内是否有小于实例本身的深度值； S311若目标物体被遮挡，则选择距离目标物体最近的实例作为候选的待操作物体，并判断其是否被遮挡； S3111若候选物体未被遮挡，则该物体成为物体选择模块输出的待操作物体，以实例掩膜重心坐标的形式，供动作决策模块使用； S3112若候选物体被遮挡，则剔除此物体，重复S311过程； S312若目标物体未被遮挡，则该物体成为物体选择模块输出的待操作物体，以实例掩膜重心坐标的形式，供机械臂抓取模块使用； S32若目标物体不可见，则将场景深度图像和场景前景的二值图像作为状态，输入DoubleDQN决策网络，网络输出一个实例的中心坐标； 其中，所述DoubleDQN决策网络的奖励函数reward描述如下： 首先定义前景掩膜的水平分布，即压缩一个n×m的矩阵M至一个m维的行向量V， 且执行第k个动作后，有Vk＝V∩Vk-1，取交集的操作使得Vk越来越小，因而Vk实际表示未经探索的前景区域，且一定有∑Vk≤∑Vk-1；物体实例的水平分布I的计算同理V，但无需随着动作的进行而取交集；reward由下式得出： 其中I为待操作物体实例的水平分布，上式表明当选择的物体处于未经探索的前景中时，认为物体的选择是有效的；而当选择的物体处于已探索的前景中时，认为物体的选择是失败的； S4、根据待操作物体的重心坐标，以该物体为中心截取局部深度图像，结合该物体的实例掩膜的二值图像，输入DoubleDQN决策网络，网络输出一个机械臂推动物体的方向，并将重心坐标继续传给机械臂，同时根据奖励函数给出决策信息； 所述DoubleDQN决策网络的奖励函数reward描述如下： 上式表明，当推动的动作使得场景中未探索的前景区域减少时，认为决策的推动动作是有效的；而当推动的动作为能改变未探索的前景分布时，认为决策的推动动作是失败的； S5、机械臂根据接收的待操作物的重心坐标信息执行抓取或推动动作； S6、机械臂执行推动动作，推开障碍物，寻找目标物体，直至目标物体可见且无遮挡；目标物体可见且无遮挡后，机械臂抓取目标物体，返回并放置于桌面上。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。