在无序抓取场景中，透明与高反光工件的深度缺失是视觉端最常见的失效来源：结构光在镜面与透射表面返回的相位噪声较大，单帧点云常在杯壁、瓶肩处出现空洞，位姿估算随之漂移。计算机视觉实验室近期把研究重点放在“先补全、再估计”的两段式流程上。
具体做法是：以多视角结构光与偏振相机采集配对的残缺点云与真值点云，训练轻量补全网络，输出稠密点云后再交由几何拟合模块求解对称轴与抓取位姿；对置信度偏低区域，由机械臂主动改变视角触发二次采集，形成采集—补全—验证的短闭环。
阶段进展：在自有工装台覆盖 6 类透明/反光件的测试集中，点云完整率由 71% 提升至 93%，抓取成功率由 82.4% 提升至 95.1%，单次位姿解算耗时约 180 ms，可满足 1.2 s 节拍要求。
下一步计划：将补全网络与主动视角规划合并训练，以抓取结果作为弱监督信号，降低对真值点云的依赖；同时评估模型量化后部署到产线边缘盒子的可行性。
评论