观察、存储、学习

在未给定模型的情况下学习

这正是该系统与当今机器料箱取件解决方案的关键区别所在。ROLE小组的研究系统在没有待抓取工件的“教学”模型的情况下依然能够自主学习，因此也适用于学习未知物体。原则上，该系统对物体形式和性质无任何限制。它不需要事先了解材料和表面特性的信息，且能够采用隐式学习方式。 这是无模型方法的最大优势，因为既不需要对象的三维形状，也不需对抓取过程进行数学建模。它可以在工业环境中灵活使用，且编程工作量较小。并为实现许多新应用（从内部逻辑到服务机器人）的自动化操作提供了可能性。同时，除了抓取之外，该系统还可实现其他类型的对象操作，例如：移动。

机器人学习自主移动物体，这样在下一步就能更好地抓取它们。这允许机器人在无任何其他设备帮助（例如：振动板）的情况下完全清空料箱。机器人的训练完全无需人工干预。实际上，学习流程的自动化是最大的困难之一。只有当系统满足所有要求时，例如给定的周期时间，它才能有效地用于生产以及进一步学习。

在此方面，与传统的料箱取件应用相比，该系统具有速度优势。一方面，ROLE系统在计算下一次抓取时只需20毫秒，速度非常快。另一方面，当系统调试时，减少了人工编程工作量。因此，料箱取件的灵活性得到大幅度提高。

3D图像数据作为基础

机器人的视觉数据由Ensenso 3D相机提供。相机从容器上方监测，容器由一种或多种类型的物体随机填充。图像处理系统将高对比度纹理投影到料箱内物体，生成从上方可见的表面3D点云，作为以灰度计算深度图像的基础。这一步骤直接在Ensenso软件开发工具包中实施。然后深度图像被缩放到只有12,000像素的分辨率，并用作人工智能算法的输入数据。 而后，神经网络负责图像分析和下一次从料箱中抓件的逻辑步骤。

相机直接安装在机器人的“头部”，以便能够灵活地完成不同的实验。“Ensenso N10相机是我们的首选，因为此款相机支持距对象仅30厘米的最小距离，且支持的整体距离范围非常大。作为一款红外范围内的主动立体相机，同时适用于移动场景，它满足了我们的所有要求，”Berscheid说明了选择该型号相机的原因。