ロボットアームによる非協力的な把持タスクにおけるターゲット検出効率の低さの問題に対して、改良されたYOLOv8nに基づくターゲット姿勢検出アルゴリズムを提案した。大規模分離カーネル注意機構（Large Separable Kernel Attention、LSKA）を空間ピラミッドプーリング融合（Spatial Pyramid Pooling Fusion、SPPF）に導入し、モデルのマルチスケール特徴集約能力を強化した。モデルの運用コストと計算量を削減するために新しい軽量モジュールRGCSPELANを設計し、innerの考え方を用いて平均ペア距離交差比（Mean Pairwise Distance Intersection over Union、MPDIoU）を改造し、加重交差比（Wise-IoU）を改造して新しい損失関数Wise-MPDIoU^innerを形成し、モデルのトレーニング効果と検出性能を向上させた。最後に、ターゲット位置検出情報と深度情報に基づいて、ターゲットのリアルタイム座標系を構築し、その空間3次元姿勢情報を取得してロボットアームの把持タスクを完了した。実験結果は、本アルゴリズムの精度が96.5％、mAP@0.5指標が96.7％に達し、パラメータ数が16％削減され、推論速度が33％向上し、モデルの精度と軽量化のバランスを実現し、UR5ロボットアームの非協力的把持タスクのリアルタイム要件を満たしていることを示した。

ロボットアーム;把持検出;軽量化;YOLOv8n;姿勢検出;損失関数