白元明，孔令成，趙江海，張 強(qiáng),3，方世輝

(1.常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213164；2.中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院先進(jìn)制造技術(shù)研究所，安徽合肥 230031；3.中國(guó)科學(xué)技術(shù)大學(xué)自動(dòng)化系，安徽合肥 230026)

0 引言

輸油臂作為港口裝卸石油及其他流體的主要設(shè)備，處于整個(gè)流體裝卸領(lǐng)域的核心地位。目前其機(jī)構(gòu)設(shè)計(jì)已經(jīng)較為完善，但是其對(duì)接方式還沿用傳統(tǒng)人工牽引的操作模式。隨著人口老齡化、用工成本增加以及智慧港口建設(shè)的需要，這種效率低、安全隱患高、勞動(dòng)強(qiáng)度大的作業(yè)方式急需一條變革之路，因此研發(fā)一套不需要人工干預(yù)而能夠完成自動(dòng)對(duì)接的智能輸油臂系統(tǒng)具有重要的意義。但是由于輸油臂作業(yè)環(huán)境為復(fù)雜的戶外條件，天氣、光線以及船舶種類等因素給輸油臂對(duì)接過程自動(dòng)化造成了很大的挑戰(zhàn)，尤其在目標(biāo)管口識(shí)別與定位方面存在很大的困難，智能輸油臂的研發(fā)和應(yīng)用在國(guó)內(nèi)外尚屬空白，所以這是具有開創(chuàng)性意義的工作。

輸油臂智能對(duì)接系統(tǒng)是一個(gè)非常巨大的機(jī)械臂在戶外自然環(huán)境下的應(yīng)用問題，該系統(tǒng)包括機(jī)械機(jī)構(gòu)設(shè)計(jì)、控制系統(tǒng)設(shè)計(jì)、路勁規(guī)劃等多個(gè)部分，從系統(tǒng)構(gòu)造來看類似于工件抓取、噴漆、破拆等問題，從趨近目標(biāo)過程來看，高12 m的輸油臂在對(duì)接過程中工作空間十分巨大，類似于目標(biāo)追蹤問題。隨著計(jì)算機(jī)技術(shù)、傳感技術(shù)、控制技術(shù)及工業(yè)自動(dòng)化的發(fā)展，工業(yè)機(jī)器人在各種工業(yè)環(huán)境中得到了廣泛應(yīng)用。通過傳感器給機(jī)器人賦予感知外界環(huán)境的能力是機(jī)器人智能化的基礎(chǔ)，而通過視覺圖像作為反饋信息而形成的控制系統(tǒng)就是視覺伺服控制系統(tǒng)，隨著機(jī)器人應(yīng)用需求的日益復(fù)雜多樣，視覺伺服系統(tǒng)的研究挑戰(zhàn)與機(jī)遇并存[1]。Comlekciler[2]等在對(duì)精度要求非常高的正頜手術(shù)中引入立體視覺用于輔助醫(yī)生工作，取得了非常不錯(cuò)的效果。Sinisterra[3-4]等將立體視覺應(yīng)用到無(wú)人機(jī)水面艦艇追蹤海上移動(dòng)船只，可以通過立體視覺實(shí)現(xiàn)目標(biāo)船只測(cè)距、檢測(cè)和跟蹤，估算目標(biāo)船只位置、速度和航向等信息。

在目標(biāo)識(shí)別方面，Lin[5]等利用提取人工設(shè)計(jì)特征的方法識(shí)別目標(biāo)圖像信息構(gòu)建機(jī)械臂視覺抓取系統(tǒng)；Said[6]等利用點(diǎn)集、輪廓等形狀匹配來構(gòu)建焊接點(diǎn)檢測(cè)和分類系統(tǒng)；杜學(xué)丹[7]等提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)械臂抓取方法，利用深度學(xué)習(xí)檢測(cè)識(shí)別目標(biāo)物體，然后根據(jù)分類結(jié)果進(jìn)行基于深度學(xué)習(xí)的方法進(jìn)行抓取位置學(xué)習(xí)，進(jìn)而完成抓取任務(wù)，Lenz[8]等同樣將深度學(xué)習(xí)用于工件抓?。煌醯9]等利用方向梯度直方圖(HOG)算子結(jié)合支持向量機(jī)(SVM)提出一種人體行為仿生識(shí)別與分類方法，該算法在對(duì)差別較大的行為的識(shí)別上表現(xiàn)不俗。文獻(xiàn)[5-6]中的方法采用傳統(tǒng)的特征提取方法來處理圖像，易受外界光照、拍攝角度等因素的影響，泛化能力以及魯棒性都有很大的提升空間；文獻(xiàn)[7-8]利用深度神經(jīng)網(wǎng)絡(luò)來識(shí)別物體，具有較強(qiáng)的魯棒性和穩(wěn)定性，但是深度神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)樣本和很大的時(shí)間開銷，更高的電腦硬件配置。文獻(xiàn)[9]中的方法屬于一種統(tǒng)計(jì)學(xué)機(jī)器學(xué)習(xí)算法，相比深度學(xué)習(xí)其主要優(yōu)勢(shì)在于對(duì)數(shù)據(jù)樣本的需求較少以及對(duì)硬件配置的要求更低。

針對(duì)輸油臂自動(dòng)對(duì)接過程以及目標(biāo)管口識(shí)別與定位過程存在的問題，本文提出了一種基于視覺伺服的輸油臂對(duì)接方法，由于輸油臂尺寸較大，而視覺的工作距離存在限制，因此采用視覺范圍外點(diǎn)激光輔助定位，形成基于位置的混合伺服控制系統(tǒng)。設(shè)計(jì)了一種加入多條件約束校驗(yàn)環(huán)節(jié)的 SVM 分類器，用于目標(biāo)識(shí)別及在線自學(xué)習(xí)，相比深度學(xué)習(xí)算法需要更少的樣本數(shù)據(jù)、大大縮短了訓(xùn)練時(shí)間，有利于滿足不同的工作環(huán)境下的在線自學(xué)習(xí)，同時(shí)降低了對(duì)電腦配置的要求，有利于產(chǎn)品推廣與普及；相比傳統(tǒng)特征提取方式增強(qiáng)了穩(wěn)定性、魯棒性以及泛化能力。

1 系統(tǒng)構(gòu)成與運(yùn)動(dòng)學(xué)建模

1.1 系統(tǒng)構(gòu)成

輸油臂的主體是由一套可以在機(jī)身中靈活旋轉(zhuǎn)的管道和包裹在管道外壁的支架組成，這些管道形成的通道可以在碼頭流體裝卸中輸送流體到船舶等運(yùn)載工具上。整個(gè)輸油臂的機(jī)械結(jié)構(gòu)設(shè)計(jì)已經(jīng)非常成熟，其三維結(jié)構(gòu)及機(jī)構(gòu)原理圖如圖1所示。輸油臂高12 m，臂展15 m，共計(jì)5個(gè)自由度，所有關(guān)節(jié)均采用旋轉(zhuǎn)設(shè)計(jì)，主要由底座、內(nèi)臂、外臂和末端三維旋轉(zhuǎn)接頭組成。其中基座、內(nèi)臂、外臂控制輸油臂末端管口的位置；末端三維接頭包括3D1和3D2，用于調(diào)整輸油臂機(jī)器人末端管口的姿態(tài)，其中所有關(guān)節(jié)驅(qū)動(dòng)均采用液壓驅(qū)動(dòng)。在現(xiàn)有成熟的輸油臂機(jī)械系統(tǒng)基礎(chǔ)之上添加智能控制系統(tǒng)形成智能輸油臂機(jī)器人系統(tǒng)。

圖1 輸油臂系統(tǒng)三維結(jié)構(gòu)及機(jī)構(gòu)原理圖

輸油臂機(jī)器人由視覺計(jì)算機(jī)、雙目攝像機(jī)、控制計(jì)算機(jī)、EPEC控制器、云臺(tái)、機(jī)器人系統(tǒng)、液壓伺服控制系統(tǒng)等模塊構(gòu)成。視覺計(jì)算機(jī)和控制計(jì)算機(jī)都選用研華工控機(jī)；雙目攝像機(jī)采用加拿大灰點(diǎn)公司生產(chǎn)的Bumblebee2雙目立體相機(jī)，型號(hào)為BB2-08S2C-38；云臺(tái)選用激光一體化智能云臺(tái)攝像機(jī)MG-TC26-L。由視覺計(jì)算機(jī)，雙目攝像機(jī)以及云臺(tái)組成輸油臂機(jī)器人的視覺系統(tǒng)，相機(jī)固定安裝在輸油臂末端管口上方，形成Eye-in-Hand的伺服控制方式。由于相機(jī)光軸與水平面成一定夾角，因此無(wú)法通過直接測(cè)量確定相機(jī)坐標(biāo)系與輸油臂機(jī)器人末端管口坐標(biāo)系之間的關(guān)系，所以選用手眼標(biāo)定的方式來確定兩坐標(biāo)系之間的關(guān)系。云臺(tái)安裝在輸油臂機(jī)器人基座底端，與輸油臂機(jī)器人形成Eye-to-Hand手眼系統(tǒng)，云臺(tái)點(diǎn)激光坐標(biāo)相對(duì)于世界坐標(biāo)系的位置關(guān)系也通過標(biāo)得到。

1.2 運(yùn)動(dòng)學(xué)模型

機(jī)械臂相鄰連桿之間的相對(duì)位姿關(guān)系可以用D-H矩陣描述，該方法是Denavit 和Hartenberg在1955年提出的一種通用的方法，通過給機(jī)械臂的每個(gè)連桿上都規(guī)定一個(gè)坐標(biāo)系，然后利用4×4的齊次變換矩陣來描述相鄰兩連桿間的空間關(guān)系，把正運(yùn)動(dòng)學(xué)運(yùn)算轉(zhuǎn)換為齊次變換矩陣之間的運(yùn)算，從而利用此矩陣來描述機(jī)器人末端執(zhí)行器相對(duì)于參考坐標(biāo)系的變換關(guān)系[10-11]。根據(jù)D-H法建立輸油臂機(jī)器人的連桿坐標(biāo)系如圖2所示，D-H參數(shù)見表1。

圖2 輸油臂機(jī)器人D-H坐標(biāo)系

連桿iαi-1/(°)ai-1/mmdi/mmθi/(°)1000θ12-900d2θ230a20θ340a30θ45-9000θ5

a1=a2=7 500 mm，d2=972.5 mm。根據(jù)D-H參數(shù)表可以求得各連桿變換矩陣為：

(1)

2 控制系統(tǒng)設(shè)計(jì)

2.1 控制流程

碼頭操作員通過控制臺(tái)或遙控器發(fā)出開始工作命令，輸油臂機(jī)器人接收到該命令之后啟動(dòng)視覺控制系統(tǒng)、伺服控制系統(tǒng)、液壓泵等單位。通過云臺(tái)點(diǎn)激光對(duì)目標(biāo)管口粗定位，然后在點(diǎn)激光引導(dǎo)下，輸油臂機(jī)器人末端管口向目標(biāo)管口方向運(yùn)動(dòng)，由于相機(jī)對(duì)目標(biāo)管口的可識(shí)別距離為5 m，所以對(duì)云臺(tái)點(diǎn)激光定位精度要求不高。如圖3所示，只需要保證輸油臂末端運(yùn)動(dòng)到距離目標(biāo)管口5 m以內(nèi)的視覺可識(shí)別區(qū)域即可。輸油臂機(jī)器人末端到達(dá)相機(jī)可視范圍內(nèi)時(shí)切換為視覺伺服控制模式，最終在視覺引導(dǎo)下完成輸油臂機(jī)器人末端管口與目標(biāo)管口的對(duì)接，對(duì)接成功后閉合輸油臂機(jī)器人末端管口夾爪，完成一次對(duì)接，整個(gè)對(duì)接流程如圖4所示。

圖3 兩大空間關(guān)系示意圖

2.2 控制系統(tǒng)

針對(duì)輸油臂機(jī)器人對(duì)控制系統(tǒng)實(shí)時(shí)性、穩(wěn)定性以及擴(kuò)展性的要求，設(shè)計(jì)了多層次開放式的機(jī)器人實(shí)時(shí)控制系統(tǒng)，如圖5所示，該實(shí)時(shí)控制系統(tǒng)包括會(huì)話層、主控層、物理層3個(gè)部分。

會(huì)話層主要由監(jiān)控計(jì)算機(jī)和遙控器組成，與主控層之間采用局域網(wǎng)遠(yuǎn)程連接，屬于上層智能監(jiān)控和人機(jī)交互層。該層具有友好的可視化監(jiān)控人機(jī)接口，可以用于對(duì)輸油臂機(jī)器人末端管口空間位姿、運(yùn)行狀態(tài)、各個(gè)模塊的通訊狀況等進(jìn)行實(shí)時(shí)監(jiān)控。

遙控器主要是為了防止輸油臂機(jī)器人控制系統(tǒng)出現(xiàn)緊急情況而直接對(duì)ECEP而設(shè)計(jì)的安全配置，同時(shí)也可以完成液壓泵的開啟、關(guān)閉、系統(tǒng)初始化、復(fù)位等工作。

圖4 輸油臂機(jī)器人工作流程圖

圖5 開放式的機(jī)器人控制系統(tǒng)

主控層主要由EPEC、控制計(jì)算機(jī)、視覺計(jì)算機(jī)組成，是整個(gè)實(shí)時(shí)控制系統(tǒng)的核心。主要負(fù)責(zé)輸油臂機(jī)器人末端管口對(duì)接所需的所有運(yùn)算，包括視覺處理、軌跡規(guī)劃、協(xié)調(diào)控制、穩(wěn)定性控制以及運(yùn)動(dòng)學(xué)求解等操作。

物理層主要包括雙目相機(jī)、云臺(tái)、液壓站、液壓泵、編碼器等部件，屬于整個(gè)實(shí)時(shí)控制系統(tǒng)的執(zhí)行層。主控層通過計(jì)算獲得運(yùn)動(dòng)控制信息，下發(fā)到物理層，物理層負(fù)責(zé)執(zhí)行整個(gè)運(yùn)動(dòng)計(jì)劃，并反饋執(zhí)行結(jié)果。

3 雙目立體視覺定位系統(tǒng)

3.1 數(shù)據(jù)集制作

圖像數(shù)據(jù)集是在2017年3月至2018年6月期間利用Bumblebee2相機(jī)拍攝的現(xiàn)場(chǎng)圖片，共采集10 000幅，分辨率為320×240像素，圖像格式為.BMP，包括一年多來遇到的各種天氣條件環(huán)境下的拍攝的圖片，大致可分晴天、陰天、雨天、大風(fēng)、霧天5個(gè)類別，在這些天氣條件下按一定時(shí)間間隔拍攝現(xiàn)場(chǎng)圖片各2 000幅。經(jīng)過篩選后從拍攝的10 000幅現(xiàn)場(chǎng)圖片中按照各種天氣圖片數(shù)目均等的原則截取大小為64×64像素的目標(biāo)管口圖片1 000張作為正樣本，隨機(jī)截取背景圖片1 000作為負(fù)樣本構(gòu)成訓(xùn)練圖像集，部分訓(xùn)練圖像集樣本如圖6所示。然后同樣按照各種天氣圖片數(shù)目均等的原則選取100幅圖像作為測(cè)試集。對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行圖像降噪處理和圖像增強(qiáng)處理處理之后形成最終的訓(xùn)練樣本集和測(cè)試樣本集。

圖6 部分正(左)負(fù)(右)樣本圖片樣例

3.2 目標(biāo)管口識(shí)別

想要準(zhǔn)確識(shí)別目標(biāo)管口，就必須確立一套完善的目標(biāo)識(shí)別算法，目標(biāo)管口識(shí)別模塊包括圖像處理模塊和SVM分類模塊，主要包含的操作有圖像濾波、圖像增強(qiáng)、圖像分割、特征提取、SVM分類器設(shè)計(jì)及參數(shù)選擇等。多條件約束下的SVM目標(biāo)識(shí)別算法流程如圖7所示，從執(zhí)行角度可分為訓(xùn)練和識(shí)別2個(gè)階段。

圖7 視覺目標(biāo)識(shí)別流程圖

3.2.1 算法流程

訓(xùn)練階段首先提取訓(xùn)練樣本集的HOG特征，然后利用這些特征進(jìn)行SVM訓(xùn)練，生成.xml文件用于識(shí)別過程使用，訓(xùn)練完成之后利用測(cè)試圖像集進(jìn)行訓(xùn)練結(jié)果校驗(yàn)，從測(cè)試集中隨機(jī)選取20幅圖片進(jìn)行識(shí)別效果檢測(cè)，在生成的識(shí)別結(jié)果圖片中，利用多條件約束檢測(cè)，找出錯(cuò)分目標(biāo)和沒能識(shí)別出的目標(biāo)管口分別截取生成為64×64像素的正、負(fù)HardSample補(bǔ)充訓(xùn)練圖片集，擴(kuò)容訓(xùn)練樣本圖片集之后進(jìn)行下一輪SVM訓(xùn)練，更新.xml文件。重復(fù)以上操作直到通過結(jié)果校驗(yàn)，生成最終的.xml文件。

識(shí)別階段是在相機(jī)采集圖像后進(jìn)行與制作樣本數(shù)據(jù)集相同的降噪處理和濾波處理之后由SVM分類器讀取由訓(xùn)練階段生成的.xml文件，進(jìn)行與訓(xùn)練階段相同的HOG提取辦法提取目標(biāo)圖圖像的HOG特征，然后利用SVM分類器識(shí)別圖像中的目標(biāo)物體；利用添加的多條件約束校驗(yàn)環(huán)節(jié)并行生成校驗(yàn)結(jié)果，如果結(jié)果一致則表示目標(biāo)管口識(shí)別準(zhǔn)確，輸出識(shí)別結(jié)果，否則重新采集圖像重復(fù)進(jìn)行以上操作，直到識(shí)別結(jié)果與校驗(yàn)結(jié)果一致為止。多條件約束校驗(yàn)環(huán)節(jié)包括校驗(yàn)前預(yù)處理、多條件約束校驗(yàn)2個(gè)關(guān)鍵步驟。校驗(yàn)前預(yù)處理應(yīng)用PSO優(yōu)化下的OTSU分割算法，形態(tài)學(xué)閉運(yùn)算、Canny形狀特征提取、圓形擬合等圖像預(yù)處理過程，多條件約束校驗(yàn)包括類圓度檢測(cè)和面積距離約束檢驗(yàn)兩個(gè)條件，面積距離約束檢驗(yàn)是指目標(biāo)像素面積與相機(jī)到目標(biāo)距離間的關(guān)系表述。類圓度檢測(cè)主要用于過濾背景中只具有部分圓弧邊緣的物體，面積距離約束檢驗(yàn)用于過濾背景中具有圓形輪廓但不處在目標(biāo)位置的物體。

3.2.2 SVM分類器設(shè)計(jì)

本文在VS2015平臺(tái)下利用OpenCV進(jìn)行圖像的HOG特征提取與SVM分類器設(shè)計(jì)。HOG算法通過計(jì)算和統(tǒng)計(jì)局部梯度信息，并在統(tǒng)計(jì)單元中形成梯度方向直方圖作為特征描述子，對(duì)圖像特征進(jìn)行描述。HOG算法對(duì)圖像幾何、光學(xué)形變都能保持很好的不變性，對(duì)光照、遮擋、對(duì)比度等外界環(huán)境的變化具有較強(qiáng)的魯棒性，在面部表情識(shí)別[12]、交通檢測(cè)車輛定位[13]、輔助救災(zāi)現(xiàn)場(chǎng)受害人查找[14]，車牌識(shí)別[15]等領(lǐng)域得到了廣泛使用。選取block大小為16×16像素，步長(zhǎng)為8像素，cell大小為8×8像素，梯度直方圖區(qū)間個(gè)數(shù)為9時(shí)的HOG特征作為SVM分類器的特征輸入。

SVM作為一種統(tǒng)計(jì)學(xué)機(jī)器學(xué)習(xí)算法在小樣本、非線性、高維數(shù)據(jù)集上得到了廣泛應(yīng)用，是監(jiān)督學(xué)習(xí)中最好的定式算法之一，OpenCV中提供的SVM分類器有5種類型，分別為C_SVS、NU_SVC、ONE_CLASS、EPS_SVR、NU_SVR,同時(shí)包含4種不同的核函數(shù)，分別為L(zhǎng)INEAR、POLY、RBF、SIGMOID。經(jīng)過實(shí)驗(yàn)對(duì)比，最終選擇C_SVS種類的SVM分類器、線性LINEAR核構(gòu)建目標(biāo)管口識(shí)別SVM分類器。

3.2.3 多條件約束校驗(yàn)環(huán)節(jié)設(shè)計(jì)

為了提高識(shí)別準(zhǔn)確度，在SVM分類器訓(xùn)練和識(shí)別階段均添加了多條件約束校驗(yàn)環(huán)節(jié)，由于現(xiàn)場(chǎng)目標(biāo)法蘭均為標(biāo)準(zhǔn)圓形，所以可以用圓形限制條件作為非目標(biāo)物體的篩查。但是由于在實(shí)際工況下，相機(jī)拍攝角度導(dǎo)致目標(biāo)法蘭在成像中不一定是標(biāo)準(zhǔn)圓而是類圓。設(shè)圓的面積為s，周長(zhǎng)為l，定義式(2)為類圓度函數(shù)。

(2)

通過對(duì)不同角度、距離下拍攝的50張圖片中的目標(biāo)法蘭管口進(jìn)行類圓檢測(cè)試驗(yàn)發(fā)現(xiàn)，目標(biāo)管口圖像類圓度γ一般在0.8～1之間，如圖8所示。

圖8 目標(biāo)管口類圓度測(cè)試

由于應(yīng)用場(chǎng)景特殊，圖像背景復(fù)雜，并且處于變化之中，所以背景中有球狀或類球狀物體是非常常見的現(xiàn)象。所以單靠類圓度一個(gè)指標(biāo)不能起到很好的校驗(yàn)作用，所以加入了面積距離約束檢驗(yàn)，通過實(shí)驗(yàn)發(fā)現(xiàn)目標(biāo)法蘭管口像素面積與相機(jī)到目標(biāo)管口距離之間近似滿足二次曲線關(guān)系，如圖9所示，其擬合表達(dá)式如式(3)所示。

圖9 面積距離約束檢驗(yàn)

s(d)=2.99×10-4d2-2.94d+7 828,500

(3)

式中：d為相機(jī)到目標(biāo)管口的距離；s(d)為目標(biāo)管口的像素面積。

綜上多條件約束校驗(yàn)環(huán)節(jié)由類圓度檢測(cè)和面積距離約束檢驗(yàn)2部分組成，通過多次實(shí)驗(yàn)驗(yàn)證最終確認(rèn)式(4)作為多條件校驗(yàn)的條件，其中s′(d)為實(shí)際運(yùn)行過程中所得目標(biāo)管口的像素面積。

(4)

3.3 目標(biāo)管口中心位姿獲取

識(shí)別出目標(biāo)管口生成目標(biāo)點(diǎn)云之后，要確定管口末端位姿用于機(jī)器人軌跡規(guī)劃與控制過程，而確定目標(biāo)管口末端位姿，需要進(jìn)行目標(biāo)像素點(diǎn)云平面擬合和空間圓擬合，空間圓的圓心坐標(biāo)即為位置描述，平面的法向量即為姿態(tài)描述。

圖10 目標(biāo)管口中心位姿獲取流程

圖11 空間圓擬合

設(shè)平面方程為ax+by+cz+d=0，則濾波前后目標(biāo)管口點(diǎn)云擬合的方程系數(shù)如表2所示。

表2 擬合平面方程系數(shù)

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證視覺測(cè)量定位系統(tǒng)識(shí)別準(zhǔn)確率、定位的準(zhǔn)確性以及輸油臂機(jī)器人系統(tǒng)的對(duì)接成功率以及整體性能，設(shè)計(jì)了3組不同的試驗(yàn)。分別為識(shí)別準(zhǔn)確率試驗(yàn)、定位準(zhǔn)確率試驗(yàn)以及對(duì)接成功率試驗(yàn)。

4.1 目標(biāo)管口識(shí)別準(zhǔn)確率實(shí)驗(yàn)

圖12 輸油臂機(jī)器人末端位置實(shí)時(shí)監(jiān)控界面

圖13 輸油臂機(jī)器人在線目標(biāo)管口分離系統(tǒng)

識(shí)別準(zhǔn)確率實(shí)驗(yàn)是通過實(shí)時(shí)監(jiān)控系統(tǒng)進(jìn)行的，實(shí)驗(yàn)過程中實(shí)時(shí)監(jiān)控系統(tǒng)可以很好地利用數(shù)據(jù)結(jié)合機(jī)器人末端管口位置進(jìn)行對(duì)應(yīng)分析，從而顯著提高對(duì)實(shí)驗(yàn)各個(gè)環(huán)節(jié)的理解，更有利于解決實(shí)際問題，提高實(shí)驗(yàn)效率。所以設(shè)計(jì)開發(fā)了輸油臂機(jī)器人在線監(jiān)測(cè)系統(tǒng)用于人機(jī)交互，部分界面如圖12和圖13所示。通過實(shí)時(shí)監(jiān)控系統(tǒng)觀察目標(biāo)管口識(shí)別情況，雙目相機(jī)隨機(jī)遍歷可視空間中500個(gè)空間位置及姿態(tài)，其中有489次成功識(shí)別出了目標(biāo)管口，5次運(yùn)行超時(shí)而導(dǎo)致整個(gè)機(jī)器人系統(tǒng)運(yùn)行不暢，4次因系統(tǒng)故障終止運(yùn)行，2次因未知原因?qū)е伦R(shí)別過程終止。加入多條件約束校驗(yàn)環(huán)節(jié)的 SVM 分類器目標(biāo)管口識(shí)別準(zhǔn)確率為97.80%，識(shí)別超時(shí)率為1.00%，系統(tǒng)故障率為1.20%。從實(shí)驗(yàn)結(jié)果來看，輸油臂機(jī)器人視覺測(cè)量定位系統(tǒng)具有“兩低一高”的優(yōu)點(diǎn)，即系統(tǒng)超時(shí)率低、故障率低，識(shí)別準(zhǔn)確率高。

4.2 目標(biāo)管口定位準(zhǔn)確率實(shí)驗(yàn)

選取空間中7個(gè)不同的位置，如圖14所示，分別在每個(gè)位置處進(jìn)行10次目標(biāo)管口定位對(duì)接實(shí)驗(yàn)，記錄實(shí)驗(yàn)數(shù)據(jù)，驗(yàn)證目標(biāo)管口定位準(zhǔn)確率以及觀察目標(biāo)管口所處的位置是否會(huì)影響定位成功率。

圖14 實(shí)驗(yàn)管口擺放示意圖

由于輸油臂末端裝有特殊導(dǎo)向裝置，如圖15所示。所以在x、y、z3個(gè)方向均允許存在誤差，x、z方向允許誤差為80 mm，y方向允許誤差為205 mm。本實(shí)驗(yàn)是在拆除輸油臂末端導(dǎo)向之后，規(guī)定y方向誤差在200 mm的范圍之內(nèi)時(shí)記錄x、z方向?qū)?yīng)的實(shí)驗(yàn)數(shù)據(jù)，分別如圖16、圖17所示，為了減小記錄數(shù)據(jù)的難度，誤差小于10 mm時(shí)都記為0。

圖15 機(jī)械導(dǎo)向示意圖

圖16 不同位置x方向誤差

圖17 不同位置z方向誤差

圖16中70次對(duì)接試驗(yàn)中只有1次超過了誤差允許值80 mm，而圖17所示70次實(shí)驗(yàn)中有5次超過了允許值。除在A位置x、z方向都超出誤差限制之外，其余位置C、E、G只有z方向誤差超出誤差允許范圍，其中G位置超出誤差范圍2次，而位置B、D、F在xoz平面內(nèi)誤差均在允許范圍之內(nèi)，70次目標(biāo)管口定位實(shí)驗(yàn)中有5次失敗，目標(biāo)管口定位準(zhǔn)確率為92.86%。通過對(duì)比發(fā)現(xiàn)，輸油臂機(jī)器人對(duì)接過程中x方向出現(xiàn)誤差的概率較小，而z方向出現(xiàn)誤差的概率較大，說明輸油臂機(jī)器人對(duì)接過程中主要誤差來源于z軸方向，而空間位置的不同對(duì)誤差是否超過允許范圍幾乎沒有影響。

4.3 對(duì)接試驗(yàn)

首先在云臺(tái)點(diǎn)激光引導(dǎo)下裝卸臂末端到達(dá)可視范圍，到達(dá)可視范圍后切換至相機(jī)采集有效數(shù)據(jù)，將采集到的圖片通過采集卡傳送至圖像處理程序進(jìn)行視覺分割和三維重建，獲得目標(biāo)管口的圓心坐標(biāo)和目標(biāo)管口平面法向量之后計(jì)算坐標(biāo)變換矩陣，進(jìn)行正運(yùn)動(dòng)學(xué)運(yùn)算求解出目標(biāo)管口在基坐標(biāo)系下的坐標(biāo)，然后進(jìn)行逆運(yùn)動(dòng)學(xué)運(yùn)算求解各個(gè)關(guān)節(jié)的運(yùn)動(dòng)參數(shù)并規(guī)劃輸油臂末端運(yùn)動(dòng)軌跡。然后輸油臂末端在相機(jī)的引導(dǎo)下做視覺伺服運(yùn)動(dòng)，實(shí)時(shí)調(diào)整末端位姿，最終實(shí)現(xiàn)精確對(duì)接。對(duì)接過程如圖18所示。

(a)啟動(dòng)輸油臂機(jī)器人并初始化

(b)輸油臂機(jī)器人在激光引導(dǎo)下向目標(biāo)管口運(yùn)動(dòng)

(c)到達(dá)視覺可視范圍

(d)視覺引導(dǎo)下作視覺伺服運(yùn)動(dòng)

(e)調(diào)整末端姿態(tài)

(f)對(duì)接成功

按照?qǐng)D14中的7個(gè)不同位置分別進(jìn)行10次對(duì)接試驗(yàn)，在C、G位置上全部對(duì)接成功，在A、B、E、F位置上分別有1次對(duì)接失敗，而在D位置上有2次對(duì)接失敗。在70次對(duì)接實(shí)驗(yàn)中對(duì)接成功的次數(shù)有64次，對(duì)接成功率為91.43%。從實(shí)驗(yàn)數(shù)據(jù)來看，位置目標(biāo)管口所處位置并不是影響對(duì)接成功率的主要因素。而在70次對(duì)接過程中耗時(shí)最長(zhǎng)的過程耗時(shí)135.35 s，耗時(shí)最短為57.77 s，平均時(shí)耗為82.36 s，能夠滿足現(xiàn)場(chǎng)需求。

5 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種點(diǎn)激光輔助定位的視覺伺服大型輸油臂對(duì)接控制系統(tǒng)，建立了運(yùn)動(dòng)學(xué)模型，設(shè)計(jì)了校驗(yàn)SVM分類器目標(biāo)識(shí)別在線自學(xué)習(xí)系統(tǒng)，采用平面擬合和空間圓擬合算法獲取目標(biāo)管口的中心位姿。并以該平臺(tái)為基礎(chǔ)，實(shí)驗(yàn)驗(yàn)證了校驗(yàn)SVM分類器目標(biāo)管口識(shí)別及定位的準(zhǔn)確率、整個(gè)輸油臂機(jī)器人智能對(duì)接系統(tǒng)對(duì)接成功率以及系統(tǒng)的穩(wěn)定性。實(shí)驗(yàn)表明目標(biāo)管口識(shí)別準(zhǔn)確率97.80%，定位準(zhǔn)確率92.86%，對(duì)接成功率為91.43%，而系統(tǒng)故障率只有1.40%。說明校驗(yàn)SVM分類器識(shí)別準(zhǔn)確率高，系統(tǒng)穩(wěn)定性好，對(duì)接誤差來源除目標(biāo)管口識(shí)別誤差外還來源于機(jī)械配重、液壓驅(qū)動(dòng)系統(tǒng)、運(yùn)動(dòng)學(xué)計(jì)算誤差、軌跡規(guī)劃偏差、手眼標(biāo)定誤差等。進(jìn)一步提高目標(biāo)管口識(shí)別準(zhǔn)確率，優(yōu)化運(yùn)動(dòng)學(xué)模型、手眼標(biāo)定模型將是下一步的工作。大型智能輸油臂系統(tǒng)開發(fā)雖屬于首創(chuàng)性工作，但類似這種智能系統(tǒng)具有廣泛的使用范圍，所以亦對(duì)其他智能機(jī)械臂設(shè)計(jì)具有參考意義。