機器人學習中的經(jīng)典問題之一便是分揀：在一堆無序擺放的物品堆中，取出目標物品。在快遞分揀員看來，這幾乎是一個不需要思考的過程，但對于機械臂而言，這意味著復雜的矩陣計算。

快遞分揀員在進行分揀處理

事實上，對于人類需要耗費大量時間的數(shù)理難題，用智能系統(tǒng)處理起來就顯得十分容易，但在幾乎不需要思考的情況下就能做出的分選動作，則是全世界機機器人研究專家關(guān)注的熱點。

機械臂抓取需要確定每段機械臂的位姿

首先，機械臂需要視覺伺服系統(tǒng)，來確定物體的位置，根據(jù)末端執(zhí)行器（手）和視覺傳感器（眼）的相對位置，可分為Eye-to-Hand和Eye-in-Hand兩種系統(tǒng)。

Eye-to-Hand的分離式分布，視野固定不變，如果相機的標定精度高的話，那么視覺定位于抓取的精度也越高。

Eye-in-Hand則將機械臂與視覺傳感器固定在一起，視野隨機械臂的移動而改變，傳感器越近時精度越高，但過于靠近時則可能使目標超出視野范圍。

精密的視覺系統(tǒng)與靈活機械臂的配合，才能完成一次完美的抓取，而這正是當前機器人操作中的核心難題，歸納起來就是這么一件事：找到合適的抓取點（或吸附點），抓住它。之后的轉(zhuǎn)運執(zhí)行，則屬于運動規(guī)劃的分支。

目前幾種主流的解決方案

Model-based（基于模型的方法）

這種方法很好理解，即知道要抓什么，事先采用實物掃描的方式，提前將模型的數(shù)據(jù)給到機器人系統(tǒng)，機器在實際抓取中就只需要進行較少的運算：

1.離線計算：根據(jù)搭載的末端類型，對每一個物體模型計算局部抓取點；

2.在線感知：通過RGB或點云圖，計算出每個物體的三維位姿；

3.計算抓取點：在真實世界的坐標系下，根據(jù)防碰撞等要求，選取每個物體的最佳抓取點。

RGB顏色空間由紅綠藍三種基本色組成，疊加成任意色彩，同樣地，任意一種顏色也可以拆解為三種基本色的組合，機器人通過顏色坐標值來理解“顏色”。這種方式與人眼識別顏色的方向相似，在顯示屏上廣泛采用。

CGrasp 對精密軸承的無序抓取

Half-Model-based（半模型的方法）

在這種訓練方式中，不需要完全預知抓取的物體，但是需要大量類似的物體來訓練算法，讓算法得以在物品堆中有效對圖像進行“分割”，識別出物體的邊緣。這種訓練方式，需要這些流程：

1.離線訓練圖像分割算法，即把圖片里的像素按物體區(qū)分出來，此類工作一般由專門的數(shù)據(jù)標注員來處理，按工程師的需求，標注出海量圖片中的不同細節(jié)；

2.在線處理圖像分割，在人工標注出的物體上，尋找合適的抓取點。

這是一種目前應用較為廣泛的方式，也是機械臂抓取得以推進的主要推力。機械臂技術(shù)發(fā)展緩慢，但計算機視覺的圖像分割則進展迅速，也從側(cè)面撬動了機器人、無人駕駛等行業(yè)的發(fā)展。

Model-free（自由模型）

這種訓練方式不涉及到“物體”的概念，機器直接從RGB圖像或點云圖上計算出合適的抓取點，基本思路就是在圖像上找到Antipodal（對映點），即有可能“抓的起來”的點，逐步訓練出抓取策略。這種訓練方式往往讓機器手大量嘗試不同種類的物品，進行self-supervisedlearning，Google的Arm Farm，即為其中的代表之一。

Google Arm Farm

值得注意的是，對于機械手而言，不同形狀的物品，抓取難度有天壤之別。即便是同樣形狀的物體，由于表面反光度和環(huán)境光照的影響，在不同場景的抓取難度也大相徑庭。從實驗室到商業(yè)落地，其中有相當一段路要走。

高精密度的相機研發(fā)，是機器人“感知”物體的第一步。

實際商業(yè)場景中，最麻煩的物體總是“下一個物體”。工業(yè)機器人要真正融入實際生產(chǎn)體系，只有具備聰明的大腦，針對不同工況做出柔性的調(diào)整，才能拓寬工業(yè)機器人的使用場景。