集装箱装卸自动化是运输集装箱化的必然要求,在当前集装箱装卸作业中,扭锁的装卸仍然由人工来完成,这不仅增加了劳动强度,降低了生产效率,还严重威胁到工人的人身安全,亟需以机器人为核心的自动化技术来取代人工操作。本文以海港集装箱扭锁的自动化安装为研究背景,根据扭锁安装需求搭建模拟平台,主要解决扭锁的认知识别与抓取位姿估计问题。由于扭锁种类繁多,且随着需求不断改进更新,抓取任务不断有新的挑战,机器人的认知系统需要在线实时地更新、存储新的特征,否则无法准确识别新类别物体。而传统机器人的认知系统存在任务确定、离线学习、实时性差及自适应性差等问题,无法完成非特定任务。为了解决从工作场景中识别并准确抓取指定物体的问题,针对传统机器人认知系统存在的局限性,从认知机器人的研究思路出发,模拟人类学习方式、智能表现形式以及人脑智能信息处理机制,建立本文的机器人认知系统,使机器人通过在线学习,将累积的知识和经验动态有组织地存储到记忆系统中,在执行任务时回调以往的经验知识做出准确的识别,进而获取准确的位姿估计。基于自主发育范式将扭锁抓取机器人的认知系统分为:感知发育、认知发育以及任务执行三大模块,从三个功能模块展开,本文主要的研究工作如下:(1)传感器数据预处理,本文提出了基于分域策略的联合双边滤波预处理方法,解决了Kinect传感器采集的深度图像存在漏洞、不对齐以及噪声等问题。根据Kinect传感器三种误差来源的区域特性,对深度图像进行分区域滤波处理。根据深度图像和彩色图像的结构相关性,对深度像素进行分类,将漏点及不对齐像素归类为不可信任区域,其余像素归为可信任区域。融合彩色图像信息,采用联合滤波方法对深度图像进行引导滤波,针对可信任区域像素采用联合三边滤波方法;针对不可信任区域中边缘像素采用Sigmoid-方向高斯的联合双边滤波方法,非边缘像素采用Sigmoid-颜色相似的联合双边滤波方法。其中,基于增强学习中的奖惩原则,使用Sigmoid函数为不可信任区域像素动态产生置信度空域权重,赋予滤波邻域内与中心点属性相同的可信任信息较高权重;使用方向高斯滤波函数为边缘像素产生颜色权重,赋予滤波邻域内与边缘方向一致的像素较高权重,保留边界方向性;基于可信度势场理念选取滤波方向,确保滤波邻域内含有更多有效的与待滤波点属性相同的可信任信息,通过以上策略手段来保证滤波后深度信息的合理性和准确性。最后通过对比实验从视觉度量、降噪性能及运行时间上,有力地证明了本文滤波方法的优越性能。(2)本文提出了在线自适应增量PCA学习方法,解决了感知发育中特征提取与数据降维问题。该方法能够在线自主地发现和选择输入数据的有效特征,更新优化特征空间,发育出适合机器人内部表达的模型。针对PCA学习方法对样本数量及多样性依赖程度高、缺乏自适应性、不能在线增量更新、可扩展性差等问题;增量PCA方法随着样本输入,特征维度、计算量和存储量都随之增加等问题。本文算法在增量PCA的基础上进行改进,基于新样本与已有特征空间重建样本之间的差异程度监测新类别输入,控制特征空间增量地更新;基于类内距离比较,自适应地更新类内距离阈值,优化特征空间向量。实验表明该算法在少量训练样本的情况下,能够在线地学习、更新与优化、累积新特征,将高维输入信号合理降维,增强了视觉系统的感知和识别能力。(3)本文借鉴人脑记忆系统中前额叶、海马以及海马前额叶回路的信息处理机制,提出了三层的基于增量式神经网络的认知发育模型,能够在线对所学的知识和经验实时有效地存储、累积、整合以及回调,解决传统数据库存储知识的固定性、封闭性等问题,更好地适应未知的动态环境。认知发育网络中有监督学习和无监督学习方式可同时并存,随着与外界不断的交互,中间层神经元同时接受外界通过效应层传递的自上而下的监督指导信号和来自输入自底向上的响应信号,使用Hebbian学习规则来模拟神经元学习响应过程,采用Top-K竞争机制模拟神经元的侧抑制效应,引入遗忘平均函数产生权重模拟人类接受新知识的速度,通过以上策略模拟大脑皮层理解、记忆情况。认知发育神经网络在第四章感知发育模块基础上,基于重建误差控制神经网络节点的增加,基于熟悉相似度控制被激活神经元的权重更新。通过实验表明,认识发育网络可以将学习的结果以“知识”的形式有组织地、动态地存储到记忆系统中,取代传统数据库,提高了扭锁的准确识别率。(4)扭锁抓取位姿估计,本文根据扭锁安装需求搭建抓取平台,经认知分析后获取扭锁正确类别及其正反面信息,与相应类型的标准位姿做比对,将位姿估计问题简化为两个点云集匹配问题,采用迭代最近点(ICP)算法估算可抓取点的位置和姿态,为下一步抓取规划提供数据支持。通过实验,证明了该方法的可行性。最后,总结全文所做的工作,提出今后进一步需要研究的问题。