Saltar al contenido principal

Demostración de agarre visual con reBot Arm B601-RS

reBot Arm B601-RS
Consigue uno ahora

Licencia: MITVersión de PythonPlataformaCámaraYOLO

Percepción de profundidad · Detección de objetos · Calibración mano-ojo · Agarre autónomo · Totalmente de código abierto

Demostración de agarre visual con reBot Arm B601-RS

¿En qué se diferencian los dos métodos de agarre?​

Esta página cubre dos demostraciones de agarre visual con implementaciones distintas. Compara sus frameworks, los requisitos de calibración y los flujos de arranque, y luego elige un tutorial a continuación.

Método 01

Python SDK + YOLO / OBB

Usa YOLO, una cámara de profundidad RGB-D y el SDK de Python para el flujo completo, desde la configuración del entorno y la integración de la cámara hasta la calibración mano-ojo y la depuración del agarre.

Lógica de agarre
Estima poses de agarre a partir de cajas de detección o rectángulos de área mínima OBB; de forma opcional, usa GraspNet para la estimación de pose 6D.
Calibración mano-ojo
Completa la calibración Eye-in-Hand con un marcador ArUco antes de la primera ejecución completa de agarre.
Arranque
Ejecuta scripts de Python para verificar paso a paso la detección, la estimación de pose y el agarre robótico.
Método 02

ROS 2 + YOLOE

Usa ROS 2 y YOLOE para iniciar el brazo, la cámara Gemini 2 / D405 / D435i y los nodos de agarre en terminales separadas para recoger y colocar objetos.

Lógica de agarre
El nodo de agarre visual detecta, agarra y coloca objetos. Los nombres de clase en texto especifican los objetivos de agarre y colocación.
Calibración mano-ojo
No se requiere una placa de calibración; ajusta los parámetros de desplazamiento para compensar pequeñas tolerancias de montaje y de las piezas impresas.
Arranque
Inicia el brazo, la cámara y el nodo de agarre en terminales separadas y, a continuación, activa la recogida y la colocación.

Elige un método de agarre​

Cambia de pestaña para ver el tutorial del método elegido y sigue sus pasos de instalación y ejecución.

Método de agarre visual 1​

Esta ruta usa Python SDK + cámara RGB-D + YOLO / OBB sin un espacio de trabajo de ROS 2. La ruta predeterminada es adecuada para objetos comunes sobre una mesa; activa el módulo opcional de GraspNet que aparece más abajo cuando necesites un agarre 6D más complejo.

1. Características del proyecto​

  1. Estimación directa de la pose de agarre a partir de YOLO + OBB El flujo de trabajo utiliza directamente las cajas de detección o los rectángulos de área mínima OBB y toma el eje corto como la dirección de apertura de la pinza, evitando el procesamiento complejo de nubes de puntos 3D.
  2. Estimación de la pose de agarre 6D con GraspNet-Baseline (opcional) El proyecto también es compatible con GraspNet-Baseline (graspnet/graspnet-baseline) para la estimación de la pose de agarre 6D a partir de nubes de puntos RGB-D, usando las cajas delimitadoras de YOLO para seleccionar candidatos objetivo para experimentos de agarre más complejos.
  3. Integración del controlador del brazo robótico y la pinza El script principal de agarre se basa en el brazo robótico y el controlador de pose final de reBotArm_control_py, con un asistente de agarre ligero para la apertura de la pinza, el agarre controlado por fuerza y la lectura de la pose TCP.
  4. Código abierto y extensible Todo el código fuente es abierto y los usuarios pueden personalizar los algoritmos de control y los efectos según sus propias necesidades.

2. Especificaciones​

El hardware para este tutorial es proporcionado por Seeed Studio

ParámetroEspecificación
Modelo de brazo robóticoreBot Arm B601-RS
Grados de libertad6-DOF + pinza
Modelo de cámaraOrbbec Gemini 2 / RealSense D435i / D405
Método de detecciónYOLO + rectángulo de área mínima OBB
Método de comunicaciónBus CAN mediante adaptador USB2CAN; conexión de cámara USB 3.0
Tensión de funcionamiento48V CC
Plataforma hostPC con Ubuntu 22.04+
Versión recomendada de PythonPython 3.10

3. Lista de materiales (BOM)​

ComponenteCantidadIncluido
Brazo robótico reBot Arm B601-RS1✅
Pinza1✅
Puente serie USB2CAN1✅
Adaptador de corriente (48V)1✅
Cable USB-C / de comunicación1✅
Cámara de profundidad RGB-D1✅
Conector de cámara / soporte de montaje1✅

Cableado​

  1. Conecta la cámara de profundidad al host mediante USB 3.0.
  2. Conecta el adaptador USB2CAN al bus CAN del brazo.
  3. Asegúrate de que la fuente de alimentación de 48V, la cámara y el brazo robótico estén conectados de forma segura.
  4. Si encuentras problemas de permisos, ejecuta:
sudo chmod a+rw /dev/bus/usb/*/*
sudo chmod 666 /dev/ttyUSB0

4. Requisitos del entorno​

ElementoRequisito
Sistema operativoUbuntu 22.04+
Python3.10

5. Instalar el entorno básico​

Sigue estos pasos en orden. Los pasos 0–3 son obligatorios para la ruta predeterminada; en el paso 4 elige el SDK de la cámara según tu hardware. La instalación y la ejecución de GraspNet están en el módulo avanzado independiente que aparece más abajo.

0

Paso 0. Completa primero la preparación básica del brazo robótico​

Antes de comenzar este tutorial, termina el contenido de reBot Arm B601-RS Quick Start, incluyendo el montaje del brazo robótico, la inicialización del punto cero, la configuración de los ID de los motores y las comprobaciones básicas de conectividad.

1

Paso 1. Clonar el repositorio​

Da preferencia al repositorio oficial Seeed-Projects:

git clone https://github.com/Seeed-Projects/reBot-DevArm-Grasp.git rebot_grasp
cd rebot_grasp
2

Paso 2. Crear y configurar el entorno conda​

conda env create -f environment.yml -n rebotarm
conda activate rebotarm
Resultado esperado

El indicador de la terminal muestra rebotarm, lo que indica que este entorno está activo y que las dependencias posteriores se instalarán en él.

Si quieres usar un nombre de entorno diferente, reemplaza rebotarm en el comando por tu propio nombre.

Verifica PyTorch de inmediato

environment.yml instala PyTorch automáticamente a través de las dependencias de ultralytics / torchaudio. Si la instalación se interrumpe por un problema de red, PyTorch puede faltar de forma silenciosa, y el error solo aparece al ejecutar main.py. Verifícalo justo después de crear el entorno:

python -c "import torch; print(torch.__version__, torch.__file__)"
  • La ruta debe mostrar .../miniforge3/envs/rebotarm/... (dentro del entorno conda). Si aparece ModuleNotFoundError, o la ruta apunta a ~/.local/... (directorio del usuario), la instalación está incompleta o en el lugar equivocado. Ejecuta:
pip install --force-reinstall torch torchvision
  • Con una GPU NVIDIA, confirma también que CUDA está disponible:
python -c "import torch; print(torch.cuda.is_available())"
3

Paso 3. Instalar el SDK del brazo robótico​

git clone https://github.com/Seeed-Projects/reBotArm_control_py.git sdk/reBotArm_control_py
cd sdk/reBotArm_control_py
pip install -e .
cd ../..

Si pip install -e . muestra Multiple top-level packages discovered in a flat-layout, añade una detección explícita de paquetes a pyproject.toml en reBotArm_control_py y luego ejecuta pip install -e . de nuevo:

[tool.setuptools.packages.find]
include = ["reBotArm_control_py*"]

Las configuraciones B601 DM y RS se seleccionan mediante los archivos de configuración del SDK. Para B601-RS, confirma lo siguiente en sdk/reBotArm_control_py/config/rebotarm.yaml:

hardware_yaml: rebotarm_rs.yaml

Los programas de agarre visual leen esta configuración del SDK y seleccionan automáticamente el modo de control del brazo y los parámetros de la pinza correspondientes.

4

Paso 4. Instalar el SDK de la cámara de profundidad​

Este proyecto es compatible con cámaras de profundidad RGB-D como Orbbec Gemini 2 y RealSense D435i / D405. Instala el SDK que coincida con tu cámara; si tu entorno ya puede importar el controlador de la cámara, puedes omitir este paso.

Orbbec Gemini 2

La cámara de profundidad Orbbec Gemini 2 depende de pyorbbecsdk, el contenedor de Python para Orbbec SDK v2. Primero intenta instalar el paquete de Python precompilado.

En Linux / Ubuntu, configura las reglas udev antes de usar la cámara por primera vez, sea cual sea el método de instalación que elijas. Las reglas permiten que los usuarios normales accedan al dispositivo USB y se instalan en todo el sistema, por lo que cada máquina solo necesita esta configuración una vez. Omite los comandos correspondientes si las reglas ya están configuradas.

pip install pyorbbecsdk2

Configurar las reglas udev (Linux / Ubuntu)

pyorbbecsdk2 2.1.0 y posteriores incluyen un script de configuración del entorno. Mantén activo el entorno conda y ejecuta el script desde el paquete instalado. Solicita permiso sudo e instala y recarga las reglas udev automáticamente.

orbbec_sdk_dir="$(python -c 'import os, pyorbbecsdk; print(os.path.dirname(pyorbbecsdk.__file__))')"
python "$orbbec_sdk_dir/shared/setup_env.py"

Si no se encuentra shared/setup_env.py, ejecuta pip install --upgrade "pyorbbecsdk2>=2.1.0" y luego repite los comandos anteriores. Consulta la guía oficial de instalación de Orbbec para más detalles.

Si ambos métodos de instalación fallan, consulta la documentación oficial de Orbbec que aparece a continuación.

Verificar la instalación

python -c "import pyorbbecsdk; print('pyorbbecsdk OK')"

RealSense D435i / D405

Las cámaras RealSense dependen de pyrealsense2. Normalmente puedes instalarlo directamente con pip:

pip install pyrealsense2
python -c "import pyrealsense2; print('pyrealsense2 OK')"
Usa un puerto USB 3.x

La D405 / D435i debe conectarse a un puerto USB 3.0/3.2 (normalmente azul). Si se conecta a un puerto USB 2.0, el síntoma típico es: el sistema reconoce el dispositivo y pipeline.start() tiene éxito, pero los fotogramas nunca llegan (Frame didn't arrive within ...). Comprueba la velocidad negociada con:

lsusb -t   # la línea de la cámara debe mostrar 5000M; 480M significa que cayó a un puerto USB 2.0 — cambia de puerto

Si tu sistema necesita la cadena de herramientas completa de RealSense o las reglas udev, sigue la documentación oficial de librealsense.

Resultado esperado

El comando de verificación correspondiente imprime pyorbbecsdk OK o pyrealsense2 OK sin un ModuleNotFoundError.

Resumen de recursos del SDK

RecursoEnlace
Página de producto de Gemini 2https://www.orbbec.com.cn/index/Product/info.html?cate=38&id=51
Recursos de desarrollohttps://www.orbbec.com.cn/index/Download2025/info.html?cate=121&id=1
Orbbec SDK v2https://github.com/orbbec/OrbbecSDK_v2
Documentación de la API del SDK v2https://orbbec.github.io/docs/OrbbecSDKv2_API_User_Guide/
pyorbbecsdkhttps://github.com/orbbec/pyorbbecsdk
Documentación de pyorbbecsdkhttps://orbbec.github.io/pyorbbecsdk/index.html
Wrapper ROS2https://github.com/orbbec/OrbbecSDK_ROS2/tree/v2-main
RealSense SDKhttps://github.com/realsenseai/librealsense

6. Estructura de directorios​

rebot_grasp/
├── config/
│   ├── default.yaml              # Main configuration file
│   └── calibration/
│       └── <camera_type>/
│           ├── intrinsics.npz    # Camera intrinsics
│           └── hand_eye.npz      # Hand-eye calibration results
├── drivers/
│   ├── camera/
│   │   ├── base.py               # Camera abstract base class
│   │   ├── orbbec_gemini2.py     # Gemini 2 driver
│   │   └── realsense.py          # RealSense driver (alternative)
│   └── robot/
│       └── grasp_driver.py       # Lightweight grasp helper based on arm SDK
├── calibration/
│   ├── aruco_pose.py             # ArUco pose estimation
│   └── hand_eye.py               # Hand-eye calibration solver
├── utils/
│   ├── ordinary_grasp.py         # OBB grasp pose estimation and visualization
│   └── transforms.py             # Coordinate transformation utilities
├── scripts/
│   ├── main.py                   # Main grasping program
│   ├── set.py                    # Grasp and place program
│   ├── ordinary_grasp_pipeline.py
│   ├── object_detection.py
│   └── collect_handeye_eih.py
├── sdk/
│   ├── pyorbbecsdk/              # Orbbec SDK Python wrapper (source installation)
│   └── reBotArm_control_py/      # reBot Arm SDK
└── environment.yml               # Recommended conda environment file

7. Calibración mano-ojo​

Antes de ejecutar el flujo completo de agarre, completa primero la calibración mano-ojo Eye-in-Hand.

Antes de ejecutar el script de calibración, levanta y verifica la interfaz CAN:

sudo ip link set can0 down 2>/dev/null
sudo ip link set can0 type can bitrate 1000000
sudo ip link set can0 up
ip -details link show can0

Antes de ejecutarlo, asegúrate de que el siguiente parámetro de tamaño de ArUco en config/default.yaml coincida con el marcador impreso real:

calibration:
  aruco:
    marker_length_m: 0.1

Tras confirmar la configuración, ejecuta la calibración automática:

python scripts/collect_handeye_eih.py

En el modo automático, el brazo recorre 50 poses preestablecidas y registra una muestra siempre que el marcador ArUco se detecta de forma estable. Incluso si interrumpes el proceso con c o q, el script sigue intentando calcular el resultado de calibración a partir de las muestras recopiladas.

Si quieres mover el brazo robótico manualmente durante la recopilación, usa el modo manual:

python scripts/collect_handeye_eih.py --manual

En el modo manual, el brazo entra en modo de compensación de gravedad. Mueve el efector final a un ángulo de visión adecuado, pulsa Enter para capturar y pulsa c o q para finalizar y calcular el resultado.

tip

Si después de la calibración descubres que la precisión de agarre del brazo robótico no puede satisfacer tus requisitos, puedes establecer los parámetros X (adelante-atrás), Y (izquierda-derecha), Z (arriba-abajo) en config/default.yaml bajo calibration.hand_eye_compensation_m para proporcionar compensación de posición.

El resultado de la calibración se guarda en:

config/calibration/<camera_type>/hand_eye.npz

Se recomienda un recuento de muestras de al menos 5 muestras, siendo 15 o más lo recomendado.

8. Ejecución y depuración​

Verifica los escenarios en este orden: los dos primeros no se conectan al brazo robótico y sirven para comprobar la cámara, la detección y la estimación de agarre. Los dos siguientes se conectan al brazo robótico y lo controlan.

1

1. Verificar solo la detección de objetos​

python scripts/object_detection.py

Si necesitas cambiar el modelo de detección o las clases, modifica config/default.yaml:

yolo:
  model_name: "yoloe-26l-seg.pt"
  device: "cpu"
  use_world: true
  custom_classes:
    - "yellow banana"
    - "water bottle"
    - "cup"

Este paso es útil para confirmar:

  • La cámara se abre correctamente
  • El modelo YOLO se carga correctamente
  • La detección de objetos con YOLO funciona como se espera
2

2. Verificar solo la estimación de agarre​

python scripts/ordinary_grasp_pipeline.py

Si necesitas ajustar la frecuencia de inferencia de agarre o la distancia de retirada previa al agarre, modifica:

grasp_pipeline:
  infer_every_live: 3
  grasp:
    depth_quantile: 0.5
    pregrasp_offset_m: 0.080
    insertion_depth_m: 0.015
    min_base_z_m: 0.00

Este script no se conecta al brazo robótico. Solo se utiliza para verificar:

  • Si el OBB o el rectángulo de área mínima es razonable
  • Si el punto de agarre se encuentra cerca del área central del objetivo
  • Si la dirección del eje corto coincide con la dirección esperada de apertura de la garra

Controles clave:

  • Botón izquierdo del ratón: inspeccionar la profundidad en el píxel seleccionado
  • G: imprimir la pose de agarre actual óptima
  • Q / Esc: salir
3

3. Ejecutar el programa principal de agarre​

python scripts/main.py

Para validar la pose objetivo omitiendo el movimiento de agarre:

python scripts/main.py --dry-run

Verifica la pose y el espacio de trabajo con --dry-run antes de ejecutar un agarre real. En este modo, el script actual sigue inicializando el brazo, se mueve a la pose de espera y realiza la limpieza y el retorno a home al salir. Para una verificación solo de visión, usa los dos primeros scripts, que no se conectan al brazo.

Flujo principal del programa:

  1. Inicializar la cámara RGB-D y confirmar que el flujo de imágenes está disponible.
  2. Habilitar el brazo robótico y la garra.
  3. Mover a la pose de listo. Si quieres cambiar la pose inicial de listo, modifica config/default.yaml:
robot:
  ready_pose:
    x: 0.3
    y: 0.0
    z: 0.3
    roll: 0.0
    pitch: 0.7
    duration: 3.0
  1. Detectar en tiempo real los objetivos sobre la mesa.
  2. Estimar la pose de agarre a partir del eje corto.
  3. Pulsa G para capturar el fotograma actual y ejecutar el agarre.

Teclas en tiempo de ejecución:

  • G: agarrar el mejor objetivo actual
  • R: reanudar la vista previa en vivo
  • Q / Esc: salir
4

4. scripts/set.py — Programa de agarre y colocación​

Función: Agarrar el plátano y colocarlo en la caja.

python scripts/set.py

Flujo completado:

  1. Inicialización de cámara y brazo, mover a la posición de listo
  2. Vista previa de cámara en tiempo real + detección de objetos YOLO y segmentación de instancias
  3. Pulsar G para congelar el fotograma, calcular la pose objetivo del brazo mediante la transformación mano-ojo
  4. El brazo se mueve para agarrar el plátano y levantarlo
  5. El brazo coloca el plátano en la caja y vuelve a la pose inicial
  6. Pulsar Q para salir del sistema, el brazo vuelve a la posición cero

9. Módulo avanzado de GraspNet (opcional)​

La ruta predeterminada de Python SDK / OBB no requiere GraspNet. Sigue estos pasos solo cuando necesites estimar poses de agarre 6D a partir de nubes de puntos RGB-D.

1

Paso 1. Instalar GraspNet y los operadores CUDA​

No necesitas GraspNet para scripts/main.py o scripts/ordinary_grasp_pipeline.py. Configúralo solo cuando quieras ejecutar scripts/graspnet_camera_demo.py o scripts/grasp.py, que requieren GraspNet, PyTorch con CUDA habilitado, los operadores CUDA de PointNet2/knn y un checkpoint preentrenado.

Al configurar este entorno por primera vez, la entrada torchaudio de environment.yml normalmente instala PyTorch junto con ella. Si falta (o solo se instaló la compilación para CPU), sigue los pasos siguientes para instalar y verificar de forma explícita un PyTorch con CUDA. Las extensiones pointnet2 / knn de GraspNet dependen de PyTorch y de un compilador CUDA con una versión coincidente: termina todos los pasos antes de compilar.

Paso 1: Confirma tu GPU

nvidia-smi

Continúa solo si aparece una GPU NVIDIA. Sin una GPU NVIDIA solo puedes usar la compilación de PyTorch para CPU, y los operadores CUDA de GraspNet no se pueden compilar ni ejecutar.

Paso 2: Comprueba / instala PyTorch

Primero comprueba si PyTorch ya existe en el entorno actual:

python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"
  • Si está instalado y torch.cuda.is_available() imprime True, omite la instalación y pasa al Paso 3.
  • Si aparece ModuleNotFoundError (no está instalado), o torch.version.cuda es None (se instaló la compilación para CPU), instala la compilación CUDA como se muestra a continuación. Toma CUDA 13.0 como ejemplo:
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130

Elige la versión de CUDA de --index-url según tu GPU:

GPUCompilación CUDA de PyTorch recomendada
Serie RTX 50 (Blackwell, p. ej. RTX 5070 / 5090)cu128 o más reciente (p. ej. cu130)
Series RTX 40 / 30 (Ada / Ampere)cu121 o cu118
Sin GPU NVIDIAcpu (solo CPU; GraspNet no se ejecutará)

Paso 3: Instala el compilador CUDA que coincida con tu PyTorch

pointnet2 / knn son extensiones CUDA locales: la versión de CUDA que informa nvcc --version debe coincidir con torch.version.cuda al compilar; de lo contrario, la compilación falla con The detected CUDA version (...) mismatches the version that was used to compile PyTorch (...). Comprueba primero ambas versiones:

nvcc --version
python -c "import torch; print(torch.version.cuda)"

Toma como ejemplo que torch.version.cuda muestre 13.0, e instala el compilador coincidente dentro del entorno conda:

conda install -c nvidia cuda-nvcc=13.0 cuda-cudart-dev=13.0

which nvcc       # debe apuntar a $CONDA_PREFIX/bin/nvcc, no a /usr/bin/nvcc
nvcc --version   # debe coincidir con torch.version.cuda

cuda-nvcc proporciona el compilador y cuda-cudart-dev proporciona las cabeceras CUDA en targets/x86_64-linux/include; ambos son necesarios. Una vez activado el entorno conda, $CONDA_PREFIX/bin precede a las rutas del sistema, de modo que el nvcc de conda oculta automáticamente el nvcc antiguo del sistema (por ejemplo, CUDA 11.5 de los repositorios de Ubuntu). No es necesario desinstalar el CUDA del sistema.

aviso

No degradues PyTorch para que coincida con un nvcc antiguo del sistema: las versiones antiguas de CUDA pueden no admitir la arquitectura de tu GPU (CUDA 11.5 admite como máximo sm_86; la serie RTX 40 requiere CUDA 11.8 o posterior y la serie RTX 50 requiere CUDA 12.8 o posterior), y las compilaciones antiguas de PyTorch pueden ser incompatibles con otras dependencias del proyecto, como las versiones recientes de ultralytics.

Paso 4: Verifica

python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"
nvcc --version

Cuando ambas versiones de CUDA coincidan y torch.cuda.is_available() imprima True, la configuración de PyTorch está completa y puedes continuar compilando los operadores CUDA.

cd sdk
git clone https://github.com/graspnet/graspnet-baseline.git
cd graspnet-baseline

# Install PyTorch for your CUDA version first, then install GraspNet runtime dependencies
pip install open3d tensorboard Pillow tqdm

# Configure CUDA build paths before building the local operators.
# Nota: usa el directorio targets del cuda-toolkit de conda para las cabeceras y las bibliotecas.
# No mezcles el directorio nvidia/cu13 de pip (una diferencia de versión con el nvcc de conda provoca errores de compilación).
export CUDA_HOME=$CONDA_PREFIX
export TORCH_CUDA_ARCH_LIST="12.0"
export CPATH=$CONDA_PREFIX/targets/x86_64-linux/include:$CPATH
export CPLUS_INCLUDE_PATH=$CONDA_PREFIX/targets/x86_64-linux/include:$CPLUS_INCLUDE_PATH
export LIBRARY_PATH=$CONDA_PREFIX/targets/x86_64-linux/lib:$CONDA_PREFIX/lib:$LIBRARY_PATH
export LD_LIBRARY_PATH=$CONDA_PREFIX/targets/x86_64-linux/lib:$CONDA_PREFIX/lib:$LD_LIBRARY_PATH

# Build CUDA operators
cd pointnet2
pip install . --no-build-isolation
cd ../knn
pip install . --no-build-isolation
cd ..

# Install GraspNet API
git clone https://github.com/graspnet/graspnetAPI.git
cd graspnetAPI
sed -i "s/'sklearn'/'scikit-learn'/" setup.py
pip install .
cd ../../..
tip

Nota: Si sigues la documentación del repositorio oficial graspnet-baseline y usas python setup.py install, pueden producirse errores relacionados con CUDA / PyTorch. Recomendamos usar pip install . --no-build-isolation para que la extensión se compile con la configuración de PyTorch y CUDA ya instalada en el entorno conda activo.

tip

Si la compilación falla con fatal error: cusparse.h: No such file or directory, ejecuta find $CONDA_PREFIX -name cusparse.h y asegúrate de que el directorio que contiene cusparse.h esté incluido en CPATH / CPLUS_INCLUDE_PATH (con el paquete conda cuda-toolkit suele ser $CONDA_PREFIX/targets/x86_64-linux/include). Si aparecen errores de cabeceras como '__NV_IS_DEVICE' was not declared in this scope, normalmente se deben a mezclar las cabeceras nvidia/cu13 de pip con la versión de nvcc de conda: cambia a las rutas targets de conda indicadas arriba y vuelve a compilar.

tip

Además, las dependencias antiguas de la API de GraspNet pueden seguir usando el nombre de paquete obsoleto sklearn. El comando sed lo reemplaza por el nombre de paquete actualmente recomendado scikit-learn para evitar The 'sklearn' PyPI package is deprecated durante la instalación. A menos que también actualices las dependencias antiguas de la API de GraspNet, mantén su restricción numpy==1.23.4 porque transforms3d==0.3.1 sigue usando alias antiguos de NumPy como np.float.

Configurar modelo preentrenado

Descarga los pesos preentrenados oficiales de GraspNet desde el repositorio oficial graspnet-baseline Google, Baidu, luego coloca checkpoint-rs.tar en:

mkdir -p ~/rebot_grasp/sdk/graspnet-baseline/checkpoints

sdk/graspnet-baseline/checkpoints/checkpoint-rs.tar

Luego verifica en config/default.yaml:

graspnet:
  checkpoint: "checkpoint-rs.tar"

El campo checkpoint admite tres formas: un nombre de archivo se resuelve bajo sdk/graspnet-baseline/checkpoints/; una ruta relativa se resuelve desde la raíz del proyecto; una ruta absoluta se usa directamente.

2

Paso 2. Ejecutar la demostración de estimación de cámara de GraspNet​

python scripts/graspnet_camera_demo.py

Este script ejecuta la estimación de pose de agarre 6D de GraspNet solo con la cámara RGB-D, sin conectar al brazo robótico. Mantiene una vista previa en vivo de la cámara, usa los cuadros delimitadores de YOLO para seleccionar el área objetivo y filtra los candidatos de escena completa de GraspNet factibles mediante el bbox objetivo.

Controles clave:

  • G / Space: ejecutar la inferencia de GraspNet en el fotograma actual
  • R: reanudar la vista previa en vivo
  • Q / Esc: salir

Después de la inferencia, Open3D puede visualizar la nube de puntos y los candidatos de agarre.

3

Paso 3. Ejecutar el programa de agarre robótico de GraspNet​

python scripts/grasp.py
python scripts/grasp.py --dry-run
python scripts/grasp.py --target-class "light blue coffee cup"

Este script conecta la estimación de GraspNet con el flujo de ejecución del brazo robótico. YOLO selecciona el objetivo, GraspNet produce una pose de agarre 6D, la calibración mano-ojo la transforma al marco base del robot y el script comprueba la alcanzabilidad IK antes de ejecutar la secuencia de movimiento de pre-agarre, agarre y retirada.

Ejecutar python scripts/grasp.py inicia el flujo completo de agarre robótico de GraspNet y controla el brazo robótico. --dry-run imprime la pose objetivo y el resultado del filtrado de candidatos y omite el movimiento de agarre; el script actual sigue inicializando el brazo, se mueve a la pose de espera y realiza la limpieza y el retorno a home al salir. --target-class "light blue coffee cup" especifica la clase objetivo de YOLO y solo filtra y agarra candidatos de GraspNet para esa clase.

10. Preguntas frecuentes (FAQ)​

1. ModuleNotFoundError: No module named 'motorbridge'

Esto normalmente significa que las dependencias del SDK del brazo robótico no están instaladas en el entorno actual de Python. Por favor, comprueba:

conda activate rebotarm
conda env update -n rebotarm -f environment.yml
cd sdk/reBotArm_control_py && pip install -e .

2. Al presionar G no se ejecuta el agarre

Causas comunes:

  • hand_eye.npz no existe
  • El modo de calibración mano-ojo no es eye_in_hand
  • La pose objetivo no es alcanzable por IK

Se recomienda ejecutar:

python scripts/main.py --dry-run

3. La profundidad de agarre es inestable

Puedes intentar ajustar:

  • grasp_pipeline.grasp.depth_quantile
  • La altura de instalación de la cámara con respecto al área de trabajo
  • Las propiedades reflectantes de la superficie objetivo

4. GraspNet informa que pointnet2_utils no se puede importar desde pointnet2

Esto normalmente significa que la extensión local de CUDA en sdk/graspnet-baseline/pointnet2 no se compiló en el entorno conda activo, o que Python está resolviendo un paquete pointnet2 diferente. Asegúrate de que el entorno del proyecto esté activo y luego recompila tanto pointnet2 como knn en ese mismo entorno:

conda activate rebotarm
cd sdk/graspnet-baseline/pointnet2
pip install . --no-build-isolation

cd ../knn
pip install . --no-build-isolation

Verifica (pointnet2_utils / knn_modules se importan como módulos de nivel superior desde los directorios de código fuente, que es también la forma en que models/ los importa; los scripts de agarre añaden automáticamente los directorios de código fuente a sys.path):

cd sdk/graspnet-baseline
python -c "import sys; sys.path[:0]=['pointnet2','knn']; import pointnet2_utils, knn_modules; print('import works')"

5. Problemas de compatibilidad de arquitectura CUDA en GPUs más nuevas al ejecutar GraspNet

Si ves no kernel image is available for execution on the device, o PyTorch informa que la capacidad CUDA de la GPU actual no es compatible, es probable que la rueda de PyTorch instalada no incluya kernels CUDA para esa arquitectura de GPU. Instala una compilación de PyTorch que admita tu arquitectura CUDA/GPU actual y luego recompila las extensiones locales de CUDA de GraspNet.

python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.get_device_name(0))"

cd sdk/graspnet-baseline/pointnet2
pip install . --no-build-isolation

cd ../knn
pip install . --no-build-isolation

Si necesitas especificar manualmente la arquitectura de compilación, establece TORCH_CUDA_ARCH_LIST antes de recompilar. Elige el valor de acuerdo con la arquitectura de tu GPU y la versión de PyTorch/CUDA.

6. La inferencia de GraspNet informa RuntimeError: CPU not supported

Los operadores de muestreo en pointnet2 solo admiten tensores CUDA. Confirma que CUDA está disponible, que la red de GraspNet y la nube de puntos de entrada están en la GPU, y que pointnet2 / knn se compilaron contra la versión de PyTorch en el entorno activo.

python -c "import torch; print(torch.cuda.is_available())"

Si la salida es False, corrige primero la instalación de CUDA / PyTorch. Si es True pero el error persiste, recompila pointnet2 y knn.

Contacto​

Referencias​

Loading Comments...