文献综述（或调研报告）：
在传统意义上，机器人抓取被分解为两个子问题：感知和规划。首先，利用传感器来估计被抓取对象的位置和姿态，然后利用运动规划器来规划机器人及其抓取器的抓取路径，由此实现抓取过程。
在机器人抓取领域，传统的方法是要对所有待抓取物体的形状和位置进行精确估计[1][2]，这需要在待抓取物体位姿和机械手配置的组合空间中规划一条路径。然而，即使事先知道杯子的精确形状，也很难去准确估计杯子的位姿，并在执行任务时跟踪它。在更现实的情况下，杯子的确切形状未知，这个问题就更难解决了。
早期的处理未知物体的方法大多为基于形状基元的。论文[3]中提到了将物体建模为一系列形状基元（如球体、圆柱体等），并采用特定的抓取姿态的方法。随后，在预先估计物体的场景位姿和已知待抓取物体的精确CAD模型的情况下，机器人的抓取位姿可通过计算得到。近年来，基于深度传感器信息的抓取检测已经成为在机器人感知阶段的新的方法。基于三维信息的情况下，多种几何特征（例如点云的法向量、曲率、边缘等）可以被提取。在三维特征描述算法中，三维全局特征描述子对物体进行整体性描述，计算量小。Rusu等[5]提出的VFH算法首先计算了视点方向与物体点云法向量方向的夹角，并用直方图统计了夹角的分布数量，然后计算点云聚类质心和其余点的FPFH特征。Aldoma等人[6]进一步改善了VFH，提出了OUR-CVFH算法，可以直接计算物体的六自由度位姿。随后，A. ten Pas在论文[4]中提出了基于点云的六自由度空间抓取检测，该方法更适用于抓取位姿要求比较复杂的机器人操作任务。该方法的候选空间抓取位姿生成中，TenPas基于采样和搜索的方法产生了大量候选抓取位姿，并通过LeNet卷积神经网络进行筛选。
其次，在基于RGB-D信息的空间抓取位姿检测的研究中，当采用单视角传感器时，获取到的点云数据残缺且存在噪声，在此基础上获取特定物体的抓取位姿存在一定的困难。当采用多视角的点云数据来进行拼接时，可以获得更加完整的点云数据，由此可更加准确地得到特定物体的抓取位姿，这样的改进使得整套系统更加适用于复杂多变的环境。论文[7]中提出了点云的双向拼接方法，主要步骤为对点云数据进行滤波、精简、粗拼接和精确拼接，其中粗拼接将不同坐标系的点云数据统一到同一坐标系下，使其图形大致重合，为精确拼接提供了良好的粗值，而精确拼接需要将所有点云数据紧密拼接在一起，消除粗拼接中的偏差，形成完整的三维模型。而论文[8]提出的ICP拼接算法为当前较为常用的算法。该文章中提出了提出一种以不同视野下的点云为处理对象，自动进行点云配准的拼接算法。该算法首先利用点云的曲率、法矢量等几何信，计算出初次拼接变换，并用几何哈希的方法筛选出最优的变换，完成初次拼接。然后改进最近点迭代法 (iterative closest point, ICP) 中最近点的选取方法：对点云A中的测点，先求出另一点云B中与其最近的3个点，并由这3个点构成一个三角形，把测点到三角形的垂足作为测点的最近点，并用该算法对点云再次进行拼接。
参考文献：
[1] T. Lozano-Pacute;erez, “Motion planning and the design of orienting devices for vibratory part feeders,” IEEE Journal Of Robotics And Automation, 1986.
[2] M. Mason, “The mechanics of manipulation,” in IEEE Intrsquo;l Conf. on Robotics and Automation, vol. 2, 1985, pp. 544–548.
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。
