技术方案

本项目基于ROS kinetic机器人操作系统，搭载tensorflow深度学习框架，训练DCNN。使用RGBD-Carmera，直接获取xyz 3-Dimensions Coordination。

自我感知

导入Opencv-contrib-acruo库，经过一系列图像处理算法，基于图论，生成自主可控的二维码，将二维码硬固定在抓取物的位置，可以设置单独可折叠支架，这样就可以在摄像头中获取自身位置。同时让机械臂旋转运动，注意记录运动控制参数。然后用解析几何知识和计算机图形学算法，程序自动计算出机械臂自身坐标系。这时，我们能够得到机械臂原点和爪子的位置。

目标检测

本项目使用了mobilenet作为特征提取层，mobielneit是一种微型的高速可以在嵌入式计算设备运算的深度神经网络，网络架构采用Single-Shot-Detection思想将，卷积核有不同缩放比例，并且中间就会输出特征图，保障了尺度不敏感。并且我们自行训练了月饼、手机壳、碗等常见物品用于演示。

自动控制

传统上，使用机械臂的三维模型仿真，并且手动计算眼手协同公式。我们颠覆了这种一机一公式，专业调参员的传统方案。基于函数逼近理论，我们自主研发了视觉机器学习-自动控制技术，根据切比雪夫多项式和我们多次试验表明，我们的精确度在121个样本的情况下，达到了惊人的98.74%，目前已公开最强的是德国人工智能研究所论文，他们达到了99%。但是我们收集数据的速度快，只需要机械臂运行3.6min即可，不需要人工干预。

0先验分类

我们在做餐具分类时，会遇到没有标签过的样本情况，比如一个碗被抓起来了，但是不知道该分到哪一类，我们采用自主研发的弱监督学习算法，只需要用户前期极少的辅助，就能对任意碗做分类摆放，从0起步，直到∞无穷。

云雾计算

我们使用VPU图像处理单元，使我们的uArm、respberry-pi能够脱离云端实时运行，就像雾一样无处不在。但是，对于STEM教育，这样的成本过于高昂，用处不是很大。我们推出在线网络计算服务，免费提供给用户使用，这样，您的孩子将从小就学会与AI和睦相处，了解掌握并使用AI，让您的孩子赢在起跑线上。这是其它STEM教育机械臂不能带来的。

结论

uArm机械臂性能优良，与我们的视觉机器学习技术相结合，将走进千家万户。