本代码基于Carpdm的DCGAN实现（[原代码地址](https://github.com/carpedm20/DCGAN-tensorflow)），添加如下改善： 1. 原代码中将测试生成数目与生成器噪声维度混用，本代码中将测试图片数目（原generate_test_images参数，改为num_test）与噪声维度参数（添加的input_noise_dim）分离； 2. 源代码使用step计数保存训练权重及sample，改为通过epoch并增加save_epochs参数； 3. 在优化器中添加学习率衰减tf.train.exponential_decay，衰减参数可自行调整，位于train方法开头； 4. 其他细节：在生成器中使用了lrelu，输入噪声改为正态分布等。 其他见readme.md

基于深度学习的平面抓取检测python+pybullet仿真平台机械臂控制实现源码.zip 基于深度学习的平面抓取检测，机械臂控制 python和pybullet仿真平台实现源码。

抓取检测数据集Cornell只给了pcd****.txt点云文件，而训练的话需要.tiff格式，本资源是利用GG-CNN神经网络处理生成的.tiff格式文件，可以直接用于训练。

在学习古月居课程《基于深度学习的机器人平面抓取》的过程中，针对GGCNN抓取网络，训练GGCNN需要两个文件：.mat格式的标签文件和.tiff格式的深度图，因为文件体积太大，我分成两个文件来发。 本资源是根据pcd****label.txt文件生成的pcd****grasp.mat文件

深度学习在人工智能领域取得了巨大突破。 使用深度学习可以提高机器人在不确定性任务上的性能。 由于伺服电机的累积误差，机器人的手臂末端工具（EOAT）无法将物体抓住在适当的位置。 通过深度学习来研究机器人的抓握检测是值得的，而在机器人研究中已经有一些成功的实践。 我们提出了一种新颖的机器人抓握检测方法，该方法基于具有场景的RGBD图像的深度学习模型，给出了平行板机器人抓爪的抓握位置。 我们方法的最佳模型以可接受的时间速度存档了87.49％的精度。 我们的方法介绍了另一种解决机器人抓取问题的方法。

基于深度学习的机器人抓取检测 采用康奈尔大学抓取数据集 We consider the problem of detecting robotic grasps in an RGB-D view of a scene containing objects. In this work, we apply a deep learning approach to solve this problem, which avoids time-consuming hand-design of features. This presents two main challenges. First, we need to evaluate a huge number of candidate grasps. In order to make detection fast and robust, we present a two-step cascaded system with two deep networks, where the top detections from the first are re-evaluated by the second. The first network has fewer features, is faster to run, and can effectively prune out unlikely candidate grasps. The second, with more features, is slower but has to run only on the top few detections. Second, we need to handle multimodal inputs effectively, for which we present a method that applies structured regularization on the weights based on multimodal group regularization. We show that our method improves performance on an RGBD robotic grasping dataset, and can be used to successfully execute grasps on two different robotic platforms.