Tendon-Driven Soft Robotic Gripper for Berry Harvesting
University of Arkansas（阿肯色大学）
近年来，全球浆果生产和消费量大幅增加，与此同时，消费者对浆果促进健康益处的认识也在提高。其中，新鲜上市的黑莓及乌藨子主要以手工采收，以保持采收后的品质。然而，新鲜的市场浆果收获是一项艰巨、昂贵的工作，占工人工作时间的50%。此外，在手工收获过程中施加的不一致的力可导致由于红核果逆转（RDR）而损失85%的可销售浆果。在这里，我们提出了一种新的，肌腱驱动的软机器人夹持器与主动接触力反馈控制，它利用了被动遵守的夹持器轻轻收获黑莓。多功能夹持器能够施加低至0.5 N的所需力，平均误差为0.046 N，同时还能保持产生高达18 N力的有效载荷。田间试验结果表明，该抓持器能够以最小的浆果损伤收获浆果，同时保持95%的收获可靠性和约4.8秒/个浆果的收获率。
2021-03-07 cs.RO
Multiple-object Grasping Using a Multiple-suction-cup Vacuum Gripper in Cluttered Scenes
Corporate Research & Development Center Toshiba Corporation（东芝公司企业研发中心）
针对杂乱料箱拣选，提出多吸盘真空夹持器抓取规划器，利用含吸盘ID的3D卷积核匹配可供性区域并排序选优，实验显著提升多类物品拣选效率。
2023-04-21 cs.RO
A Hand Combining Two Simple Grippers to Pick up and Arrange Objects for Assembly
Osaka University（大阪大学）；National Inst. of AIST（日本产业技术综合研究所）
本文提出了一种新的机器人手设计的装配任务。这个想法是结合两个简单的夹持器-内夹持器用于精确对齐，外夹持器用于稳定夹持。传统的机器人手需要复杂的柔顺机构或复杂的控制策略和力传感来执行装配任务，这使得它们成本高昂，并且难以拾取和布置螺钉或垫圈等小物体。与传统的手相比，所提出的设计提供了一种低成本的解决方案，通过利用定位手指和重力的几何约束来对准、拾取和布置各种物体。它能够处理小螺钉和垫圈，并消除圆柱形物体或带圆柱孔物体的位置误差。在实验中，现实世界的任务和定量分析进行验证的对齐，采摘和安排的设计能力。
2018-09-12 cs.RO
Berry Twist: a Twisting-Tube Soft Robotic Gripper for Blackberry Harvesting
Delft University of Technology（代尔夫特理工大学）；German Aerospace Center (DLR)（德国航空航天中心）
针对农业劳动力短缺及黑莓娇嫩难采收的问题，研究团队研发了名为Berry Twist的扭管型软体机器人抓手，通过织物管电动扭转轻柔包裹果实，三种材质管体测试显示其采摘、释放成功率分别达82%和95%，为机器人采收提供了可行方案。
2024-03-25 cs.RO
A Learning Framework for Robust Bin Picking by Customized Grippers
University of California, Berkeley（加州大学伯克利分校）；FANUC Advanced Research Lab.（发那科高级研究实验室）
定制的夹具具有专门设计的手指，以增加与工件的接触面积，并提高抓持鲁棒性。然而，由于对象的变化，表面接触和夹具的结构约束，用于定制夹具的抓取规划是具有挑战性的。在本文中，我们提出了一个学习框架，以规划强大的掌握定制的抓手在实时。学习框架包含一个低层次的优化为基础的规划器，以搜索最佳的把握物体形状变化下的本地，和一个高层次的学习为基础的资源管理器，学习掌握探索以前的把握经验的基础上。基于优化的规划器使用迭代曲面拟合（ISF），同时搜索最佳的抓手变换和手指位移，通过最小化曲面拟合误差。基于高级学习的探索器训练基于区域的卷积神经网络（R-CNN）以提出好的优化区域，从而避免ISF陷入坏的局部最优，提高避碰性能。所提出的RCNN-ISF学习框架能够考虑夹持器的结构约束，从以前的经验中学习抓取探索策略，并实时规划杂波环境中的最优抓取。通过实验验证了算法的有效性。
2019-03-05 cs.AI cs.RO
In the Wild Ungraspable Object Picking with Bimanual Nonprehensile Manipulation
Stanford University（斯坦福大学）；Toyota Research Institute (TRI)（丰田研究所（TRI））
本文提出一种基于双臂非抓取式操作的方法，通过视觉识别抓取点并结合轻推动作清除遮挡，使配备吸盘夹爪和平行夹爪的双臂移动机械手无需硬件修改即可在杂货店等真实环境中抓取传统夹爪无法抓取的物体。
2024-09-23 cs.RO
Force Sensor-Based Picking Pattern Analysis and Two-Jaw Gripper Design for Cherry Tomato Robotic Harvesting in Greenhouse
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Khalifa University（哈利法大学）；University of Windsor（温莎大学）
本研究提出力数据驱动的樱桃番茄机器人采摘框架，通过分析三种采摘模式的力/力矩特征设计Finray夹爪，在温室试验中实现86.0%采摘成功率，性能优于多种传统末端执行器。
2026-10-14 cs.RO
Depth-aware Object Segmentation and Grasp Detection for Robotic Picking Tasks
Graz University of Technology（格拉茨技术大学）；University of Klagenfurt（克拉根福大学）
在本文中，我们提出了一种新的深度神经网络架构的联合类不可知的对象分割和把握检测机器人采摘任务使用平行板夹持器。我们介绍了深度感知坐标卷积（CoordConv），一种在不增加任何额外的网络参数或计算复杂性的情况下，提高复杂场景中基于点建议的对象实例分割的准确性的方法。深度感知CoordConv使用深度数据来提取关于对象位置的先验信息，以实现高度准确的对象实例分割。这些产生的分割掩模，结合预测把握候选人，导致一个完整的场景描述使用平行板夹持器抓。我们评估把握检测和实例分割的准确性具有挑战性的机器人采摘数据集，即Siléane和OCID_grasp，并显示联合把握检测和分割的好处在现实世界的机器人采摘任务。
2021-11-22 cs.CV cs.RO
Automated design of pneumatic soft grippers through design-dependent multi-material topology optimization
CSIRO Data61（联邦科学与工业研究组织数据61所）；Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）；TU Delft（代尔夫特理工大学）
近年来，软机器人抓取在学术机器人界迅速普及，并推向工业应用。与此同时，多材料3D打印已变得广泛可用，使包含刚性和弹性部分的设备的整体制造成为可能。我们提出了一种新的设计技术，利用这两种技术，可以自动设计定制的软机器人抓手采摘水果和类似的应用。我们展示了新的拓扑优化配方，产生多材料的软抓手，可以解决内部和外部压力边界，并调查方法，以产生气密设计。与现有方法相比，它大大扩展了可搜索的设计空间，同时提高了仿真精度。
2023-03-15 cs.RO
An analysis of sensor selection for fruit picking with suction-based grippers
Collaborative Robotics and Intelligent Systems (CoRIS) Institute（协作机器人与智能系统研究所）
本文提出一种多模态传感系统，用于评估不同采摘阶段传感器的效用，通过实验证明随机森林和多层感知器在检测成功采摘和即将失败事件中的高准确率。
2026-04-27 cs.LG cs.RO cs.SY
AntGrip -- Boosting Parallel Plate Gripper Performance Inspired by the Internal Hairs of Ant Mandibles
University of Edinburgh（爱丁堡大学）
本文受蚂蚁上颚绒毛启发，为细长双指平行板夹持器设计可互换带绒毛垫，并通过2400次实验证明其可显著提升抓取成功率与稳固持物能力。
2023-12-08 cs.RO
Viko: An Adaptive Gecko Gripper with Vision-based Tactile Sensor
Hong Kong University of Science and Technology（香港科技大学）；Nanjing University of Information Science and Technology（南京信息工程大学）
监测接触状态对于机器人设备至关重要，特别是使用壁虎粘合剂的夹具，其中紧密接触对于牢固附着至关重要。然而，由于缺乏可变形的传感器，很少有证明触觉感知的壁虎夹具。我们提出了Viko，一个自适应壁虎抓手，利用基于视觉的触觉传感器来监测接触状态。该传感器提供接触面积和剪切力的高分辨率实时测量。此外，传感器是自适应的，低成本的，和紧凑的。我们将壁虎风格的粘合剂集成到传感器表面，而不会影响其适应性和性能。利用机械手臂，我们评估了一系列的抓取测试的性能的夹具。即使在30度的低指尖俯仰角下，夹持器的最大有效载荷也为8N。我们还展示了抓手的能力，调整指尖姿势更好地接触使用传感器反馈。此外，日常物体采摘作为示范的夹具的适应性。
2021-05-03 cs.RO
Team Delft's Robot Winner of the Amazon Picking Challenge 2016
Delft University of Technology（代尔夫特理工大学）；Delft Robotics, B.V.（代尔夫特机器人有限公司）
本文介绍了代尔夫特团队的机器人，该机器人赢得了2016年亚马逊采摘挑战赛，包括采摘和存放比赛。挑战的目标是在非结构化环境中自动化拾取和放置操作，特别是亚马逊仓库中的货架。代尔夫特团队的机器人是基于工业机器人手臂，3D相机和定制的夹具。机器人的软件使用ROS来集成专门为比赛开发的现成组件和模块，实现深度学习和其他AI技术，用于对象识别和姿势估计，抓取规划和运动规划。本文介绍了系统中的主要组件，并讨论了其在亚马逊拣选挑战赛2016决赛中的表现和结果。
2016-10-18 cs.RO
A Tactile-enabled Grasping Method for Robotic Fruit Harvesting
Monash University（莫纳什大学）
在机器人农作物收割环境中，夹持器工作空间中的异物侵入频繁发生并且不可消除，然而很少解决。本文提出了一种新的智能机器人抓取方法，能够处理障碍物的干扰，这是第一次在文献中。该方法将深度学习算法与低成本触觉感知硬件结合在多自由度软机器人夹具上。通过实验验证，所提出的方法表现出良好的性能，在区分各种抓取场景。4指独立控制的抓爪具有出色的适应性，可处理各种拾取场景。这项工作的整体表现表明，解决机器人水果收获挑战的巨大潜力。
2021-10-18 cs.RO
Team O2AS at the World Robot Summit 2018: An Approach to Robotic Kitting and Assembly Tasks using General Purpose Grippers and Tools
OMRON SINIC X Corp.（欧姆龙SINIC X公司）；OMRON Corp.（欧姆龙公司）；Osaka University（大阪大学）；SenseTime Japan Ltd.（商汤日本有限公司）；National Inst. of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））；Laboro.AI Inc.（Laboro.AI公司）
我们提出了一个多功能的机器人系统的配套和装配任务，不使用夹具或商业工具更换。它没有使用专门的末端执行器，而是使用其双指夹持器来抓取和保持工具，以执行子任务，如拧紧和抽吸。第三个夹持器用作精密拾取和定心工具，并使用内置的被动顺应性来补偿小的位置误差和不确定性。一种新的把握点检测箱采摘描述的配套任务，使用一个单一的深度图。使用所提出的系统，我们参加了2018年世界机器人峰会世界机器人挑战赛工业机器人类别的装配挑战赛，获得了第四名和精益设计和多功能工具使用的SICE奖。我们通过在比赛中进行的实验，我们的方法的有效性。
2020-03-05 cs.CV cs.RO
Initial Experiments on Learning-Based Randomized Bin-Picking Allowing Finger Contact with Neighboring Objects
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；Kanazawa University（金泽大学）；Toyota Motors Co., Ltd.（丰田汽车公司）
提出了一种基于学习的随机装箱方法。当双指夹持器试图从堆中拾取物体时，手指通常会接触相邻的物体。即使手指接触相邻对象，也会根据相邻对象的配置成功拾取目标对象。在我们所提出的方法中，我们使用的视觉信息对邻近的物体训练的机器人。对应于物体的抓握姿势，该拾取器预测即使手指接触相邻物体拾取是否将成功。我们研究两种学习算法，线性支持向量机（SVM）和随机森林（RF）的方法。通过使用这两种方法，我们证明了采摘的成功率显着高于传统的方法没有学习。
2016-07-11 cs.RO
A Novel Approach to Tomato Harvesting Using a Hybrid Gripper with Semantic Segmentation and Keypoint Detection
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
提出一种基于软体笼效应混合夹持器的番茄采摘新方法，结合深度相机、RGB相机及深度学习关键点检测与语义分割实现果实定位，并通过鲁棒轨迹规划与可调抓取力确保安全处理。
2024-12-21 cs.RO
Vision Based Picking System for Automatic Express Package Dispatching
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）
本文提出了一种基于视觉的机器人系统来处理自动快递包裹派送中的拣选问题。通过使用两个RealSense RGB-D摄像头和一个UR 10工业机器人，可以自动完成通常由人类完成的包裹调度任务。为了确定重叠的可变形物体的抓取点，我们改进了伯克利小组提出的采样算法，直接从深度图像生成抓取候选。为了实现包识别，集成了深度网络框架YOLO。设计了一种由双指夹持器和真空吸盘组成的多模态机器人手，用于处理不同类型的包装物。所有的技术已经集成在一个工作单元，模拟快递包裹调度场景的实际条件。通过对两个典型快递物品的实验，验证了该系统的有效性。
2019-04-09 cs.RO
Pose estimation and bin picking for deformable products
Georgia Tech Research Institute（佐治亚理工学院研究院）
制造应用中的机器人系统通常假定已知的物体几何形状和外观。这简化了3D感知算法的任务，并允许操纵更具确定性。然而，由于天然食品的可变性和可变形性，这些方法不容易转移到农业和食品领域。我们展示了一种应用于家禽产品的方法，该方法允许使用吸盘夹具从无序的垃圾箱中拾取整只鸡，使用深度学习方法估计其姿势，并将其放置在可以进一步处理的规范方向上。我们的机器人系统进行了实验评估，并能够推广到对象的变化，并在现实世界的环境中实现高精度的箱子拾取和姿态估计任务。
2019-11-12 cs.CV cs.RO
DualAfford: Learning Collaborative Visual Affordance for Dual-gripper Manipulation
Tencent AI Lab（腾讯人工智能实验室）；Stanford University（斯坦福大学）；NVIDIA Research（英伟达研究院）
对于未来的家庭助理机器人来说，理解和操纵日常人类环境中的各种3D物体是必不可少的，但也是具有挑战性的。为了构建可以在各种3D形状上执行各种操纵任务的可扩展系统，最近的工作已经倡导并展示了学习视觉可操作示能表示的有希望的结果，该示能表示用完成下游任务的动作可能性（例如，推动或拾取）。然而，这些作品只研究了单夹持器的操作任务，但许多现实世界的任务需要两只手合作完成。在这项工作中，我们提出了一个新的学习框架，DualAfford，学习合作的启示双抓手操作任务。该方法的核心设计是将两个抓手的二次问题简化为两个相互关联的子任务，以实现有效的学习。使用大规模的PartNet-Mobility和ShapeNet数据集，我们为双夹持器操作设置了四个基准任务。实验证明了该方法在三种基线下的有效性和优越性。
2023-03-27 cs.CV cs.RO
Deep Reinforcement Learning for Robotic Pushing and Picking in Cluttered Environment
Tsinghua University（清华大学）；Shenzhen Academy of Robotics（深圳机器人研究院）
本文提出了一种新的机器人抓取系统，用于在复杂场景中自动拾取物体。设计了一种由吸盘和夹持器组成的复合机械手，用于稳定抓取物体。吸盘用于首先将物体从杂物中提起，并且抓持器用于相应地抓持物体。我们利用示能图为吸盘提供像素级提升点候选。为了获得良好的示能图，系统引入了主动探索机制。设计了一个有效的度量来计算当前示能图的奖励，并采用深度Q网络（DQN）来引导机器人手主动探索环境，直到生成的示能图适合抓取。实验结果表明，所提出的机器人抓取系统是能够大大提高机器人抓取的成功率在混乱的场景。
2023-02-21 cs.CV cs.LG cs.RO
Efficient End-to-End Detection of 6-DoF Grasps for Robotic Bin Picking
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Tuebingen（蒂宾根大学）
针对料箱拣选可达性受限导致可行6-DoF抓取不足的问题，提出基于Power-Spherical分布的端到端概率抓取模型，从单张深度图生成多样无碰撞抓取，并在仿真与真实机器人上达到约90%清空率。
2024-05-10 cs.RO
Enhanced 6D Pose Estimation for Robotic Fruit Picking
Università degli Studi della Campania Luigi Vanvitelli（坎帕尼亚路易吉·万维泰利大学）
本文提出利用RGB-D深度测量优化单目深度网络在合成数据上得到的6D位姿，并结合力/触觉传感器平行夹爪实现不同尺寸苹果的无损安全抓取。
2023-05-25 cs.RO
Pseudo-Labeling and Contextual Curriculum Learning for Online Grasp Learning in Robotic Bin Picking
Technical University Dortmund（多特蒙德工业大学）；Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心）
提出 SSL-ConvSAC，将带奖励反馈像素作为标签并结合半监督学习、强化学习与上下文课程，实现机器人料箱拣选的在线抓取学习。
2024-03-04 cs.AI cs.RO
Domestic waste detection and grasping points for robotic picking up
University of Alicante（阿利坎特大学）
本文介绍了一个应用于机器人定位和抓取的人工智能系统。实验设置基于参数研究，以训练基于Mask-RCNN的深度学习网络，以在室内和室外环境中执行废物定位，使用五个不同的类并生成新的废物数据集。首先，AI系统获得环境的RGBD数据，然后使用神经网络检测对象。稍后，使用网络结果和深度通道计算3D对象形状。最后，形状被用来计算抓取的机器人手臂与两个手指夹持器。目的是将废物分类，以改善回收策略。
2021-05-14 cs.CV cs.LG cs.RO
Improving Data Efficiency of Self-supervised Learning for Robotic Grasping
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；KUKA Deutschland GmbH（库卡德国有限公司）
给定的任务，学习机器人抓取完全基于深度相机输入和抓地力反馈，我们从应用的角度来看，显着减少所需的训练数据的量推导出一个学习算法。在时间和数据效率方面的主要改进是：首先，我们利用未失真的深度图像和任务空间之间的几何一致性。使用一个相对较小的，完全卷积神经网络，我们预测把握和抓手参数具有很大的优势，在培训以及推理性能。其次，在3%左右的小随机抓取成功率的激励下，系统地探索了抓取空间。最终的系统是在大约60小时内通过23000次抓取尝试学习的，将当前的解决方案提高了一个数量级。对于典型的箱子拾取场景，我们测量到96.6%的抓取成功率。进一步的实验表明，该系统能够概括和转移知识到新的对象和环境。
2019-03-01 cs.RO
Design and Development of an automated Robotic Pick & Stow System for an e-Commerce Warehouse
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；Tata Consultancy Services（塔塔咨询服务公司）
在本文中，我们提供了一个机器人系统，可以自动化的任务，采摘和堆放对象从和机架上的电子商业履行仓库的细节。该系统主要包括四个主要模块：（1）感知模块，负责识别查询对象并将其定位在三维机器人工作空间中;（2）规划模块，生成机器人末端执行器到达货架或搬运箱中的对象所必须采取的必要路径;（3）校准模块，其定义通过机载视觉系统可见的机器人的物理工作空间;以及（4）用于拾取和装载不同种类的物体的夹持和抽吸系统。感知模块使用更快的基于区域的卷积神经网络（R-CNN）来识别物体。设计了一种新型双指夹持器，该夹持器结合了气动阀的吸力效应，以提高夹持器抓取不同物体的能力。该系统由IITK-TCS团队开发，用于参加2016年亚马逊采摘挑战赛。该队在比赛中获得了装载任务的第五名。本文的目的是与学生和实践工程师分享我们的经验，使他们能够构建类似的系统。该系统的整体功效是通过几个模拟以及真实世界的实验与实际的机器人。
2017-03-07 cs.RO
Compact robotic gripper with tandem actuation for selective fruit harvesting
Collaborative Robotics and Intelligent Systems (CoRIS) Institute（协作机器人与智能系统（CoRIS）研究所）；Oregon State University（俄勒冈州立大学）
针对选择性果实采摘中枝叶遮挡的难题，提出结合柔顺吸盘与凸轮驱动伸缩指的串联驱动紧凑型夹爪，经测试抓取强度约40N，遮挡环境下抓取成功率超96%，并在商业果园完成验证。
2024-08-13 cs.RO cs.SY eess.SY
