비협조적 로봇 팔 잡기 작업에서 목표 검출 효율이 낮은 문제를 해결하기 위해 개선된 YOLOv8n 기반 목표 자세 검출 알고리즘을 제안하였다. 대형 분리 커널 어텐션(Large Separable Kernel Attention, LSKA)을 공간 피라미드 풀링 융합(Spatial Pyramid Pooling Fusion, SPPF)에 도입하여 모델의 다중 스케일 특징 집계 능력을 향상시켰고, 모델의 실행 비용과 계산량을 줄이기 위해 새롭고 경량화된 모듈 RGCSPELAN을 설계하였다. 이후 inner 아이디어를 적용하여 평균 쌍 거리 교집합비(Mean Pairwise Distance Intersection over Union, MPDIoU)를 개조하고, 가중치 IoU(Wise-IoU)를 개조하여 새로운 손실 함수 Wise-MPDIoU^inner를 형성하여 모델 훈련 효과와 검출 성능을 높였다. 마지막으로 목표 위치 검출 정보와 깊이 정보를 기반으로 목표 실시간 좌표계 구축을 통해 공간 3차원 자세 정보를 얻어 로봇 팔 잡기 작업을 완료하였다. 실험 결과 본 알고리즘의 정확도는 96.5%, mAP@0.5 지표는 96.7%, 파라미터 수는 16% 감소, 추론 속도는 33% 향상되어 모델 정확도와 경량화 간의 균형을 달성했으며 UR5 로봇 팔의 비협조적 잡기 작업 실시간 요구 사항을 충족하였다.

로봇 팔;잡기 검출;경량화;YOLOv8n;자세 검출;손실 함수