摘要
为提高机器人在非结构化环境（如车间）中目标抓取检测和分类的准确性与鲁棒性，本文提出了一种基于全局通道-空间注意力机制的多任务抓取检测算法。通过全局通道注意力模块，网络能够提取更丰富的语义信息，同时减少冗余特征信息，从而提升整体性能。该算法的有效性已在Cornell数据集和自构建的数据集上得到了验证。在Cornell数据集上，抓取预测的准确率达到99.5%；在自构建的数据集上，抓取检测的准确率为98.5%，对象分类的准确率为99.5%。为了进一步验证算法的有效性，还在AUBO-i3机器人操纵器上进行了抓取实验。实验结果表明，对于未见过的日常物品和常见的车间物体，平均抓取准确率达到95%，比基线GGCNN网络高出8.75%。这些结果表明，所提出的算法能够有效帮助机器人在非结构化环境中完成抓取任务。
