基于LZG-Net的机械手触觉识别和分类

摘要

准确识别物体类别和触觉信号对于机械手实现软抓取控制至关重要。为此，提出了一种用于嵌入式设备的轻量级金字塔神经网络(LZG-Net)模型，用于处理机械手抓取物体时的振动信号。LZG-Net模型以Ghost模块为基础，采取卷积核逐层递减的卷积策略。针对注意力机制SE模块在一些嵌入式设备上无法部署的问题进行改进，并通过知识蒸馏、算子优化和量化操作提高模型在嵌入式系统上的准确率。最后，搭建了嵌入式触觉识别系统，将LZG-Net模型部署至其中，对4种不同特征的物体进行触觉识别。实验结果表明：该模型能够对物体类别及抓取状态进行准确分类，分类正确率达90.94%,其分类性能优于现有的经典轻量级神经网络。

关键词

嵌入式系统 / 轻量级模型 / 机器人抓取 / 金字塔架构