陸坤龍 王 一

(華北理工大學(xué)電氣工程學(xué)院，河北 唐山063200)

在裝配過(guò)程中，產(chǎn)品工件笨重且組裝環(huán)節(jié)繁多，加上測(cè)量定位方面的精度問(wèn)題，導(dǎo)致機(jī)器人裝配效率和精度低下。[1-2]。應(yīng)運(yùn)而生的是多視覺(jué)信息融合技術(shù)應(yīng)用在了機(jī)器人自動(dòng)裝配流程中解決機(jī)器人裝配過(guò)程中的問(wèn)題。利用多個(gè)視覺(jué)傳感器對(duì)工件進(jìn)行不同方位的定位，進(jìn)而引導(dǎo)機(jī)器人執(zhí)行相關(guān)動(dòng)作，在這個(gè)過(guò)程中涉及到把各個(gè)傳感器的有用信息融合到統(tǒng)一坐標(biāo)系下的問(wèn)題[3-5]。目前，一些改進(jìn)的新算法實(shí)質(zhì)上是主要通過(guò)各種不同的方法共同作用來(lái)實(shí)現(xiàn)相互加強(qiáng)的目的。例如，模糊神經(jīng)網(wǎng)絡(luò)方法不僅增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的算法魯棒性，還填補(bǔ)了模糊邏輯自適應(yīng)能力的缺點(diǎn)[6]。雖然現(xiàn)在可以集成許多不同類(lèi)型的傳感器來(lái)進(jìn)行信息綜合，彌補(bǔ)單個(gè)傳感器信息不足的問(wèn)題，但是，融合過(guò)程卻浪費(fèi)了很多系統(tǒng)資源。文獻(xiàn)[7]提出了一種改進(jìn)的D-S 參數(shù)理論算法，該方法比原算法多了一個(gè)距離因子，這增強(qiáng)了傳感器采集數(shù)據(jù)時(shí)的穩(wěn)定性。文獻(xiàn)[8]提出了基于任務(wù)的神經(jīng)網(wǎng)絡(luò)多傳感器數(shù)據(jù)融合的新方法，該方法在全面比較和分析了遙控機(jī)器人執(zhí)行不同任務(wù)過(guò)程中的效果后，進(jìn)而優(yōu)化了神經(jīng)網(wǎng)絡(luò)算法。結(jié)合本文研究?jī)?nèi)容特點(diǎn)，針對(duì)設(shè)計(jì)的視覺(jué)輔助系統(tǒng)采用改進(jìn)型自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)多個(gè)視覺(jué)傳感器采集到的視覺(jué)信息進(jìn)行融合，從而為機(jī)器人提供視覺(jué)信息。

1 視覺(jué)輔助結(jié)構(gòu)設(shè)計(jì)

本文主要對(duì)柔性裝配系統(tǒng)的視覺(jué)感知部分進(jìn)行了設(shè)計(jì)。視覺(jué)感知系統(tǒng)主要有十字結(jié)構(gòu)、光視覺(jué)傳感器和雙目視覺(jué)傳感器。雙目視覺(jué)傳感器作為待裝配物的遠(yuǎn)視場(chǎng)測(cè)量裝置，得到待裝配物的遠(yuǎn)位姿信息后，引導(dǎo)執(zhí)行機(jī)構(gòu)到達(dá)合適的裝配位置，之后啟動(dòng)十字結(jié)構(gòu)光傳感器對(duì)待裝配物進(jìn)行二次位姿測(cè)量，其測(cè)量的結(jié)果與雙目視覺(jué)傳感器測(cè)量的位姿結(jié)果相融合，得出待裝配物的精確位姿信息，進(jìn)而二次引導(dǎo)機(jī)器人進(jìn)行準(zhǔn)確的裝配動(dòng)作。

2 視覺(jué)信息融合算法

2.1 自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)信息融合算法

本文提出的自適應(yīng)改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)信息融合算法不僅考慮到了原始BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能的高低，還優(yōu)化了原始算法的復(fù)雜程度以及應(yīng)用性能等問(wèn)題。針對(duì)傳統(tǒng)自適應(yīng)算法的不足之處，本文的改進(jìn)型BP 神經(jīng)網(wǎng)絡(luò)新方法采用了差異化的學(xué)習(xí)率，不僅能夠動(dòng)態(tài)地調(diào)整著不同節(jié)點(diǎn)之間的連接權(quán)重?cái)?shù)值，還能使得收斂誤差函數(shù)所需的時(shí)間減少。在改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)中，閾值是隨著權(quán)值變化的，并且將變化的閾值引入到權(quán)值的矩陣中進(jìn)行再計(jì)算，形成一個(gè)反饋閉環(huán)。自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)過(guò)程如下：

第一步，算法初始化。

在軟件里面確定好三層的神經(jīng)網(wǎng)絡(luò)后，再開(kāi)始選擇合適的參數(shù)預(yù)設(shè)值。要進(jìn)行設(shè)定的參數(shù)有：學(xué)習(xí)速率，誤差精度，權(quán)重矩陣。設(shè)定好后對(duì)這些參數(shù)進(jìn)行訓(xùn)練學(xué)習(xí)。

第二步，正向傳播誤差的求取。

首先把準(zhǔn)備訓(xùn)練的樣本進(jìn)行分組，然后按照分組順序?qū)颖具M(jìn)行訓(xùn)練，并記下訓(xùn)練出的正向傳播誤差。

第五步，使用新權(quán)重進(jìn)行正向傳播訓(xùn)練，并更新網(wǎng)絡(luò)誤差。

第六步，BP 網(wǎng)絡(luò)迭代學(xué)習(xí)完成后，記錄最終值。

2.2 基于視覺(jué)信息融合的位姿估計(jì)方法設(shè)計(jì)

本文采用的是兩個(gè)組合式視覺(jué)傳感器進(jìn)行數(shù)據(jù)采集的，雙目視覺(jué)傳感器位于機(jī)械臂之外，相對(duì)機(jī)器人基座是固定的，遠(yuǎn)距離測(cè)量范圍比較大，處于0.3m-5m 之間。十字結(jié)構(gòu)光傳感器是屬于近距離測(cè)量，測(cè)量范圍處于0.1m-0.3m 之間。雙目視覺(jué)傳感器的作用是預(yù)先測(cè)量被測(cè)物位姿信息引導(dǎo)機(jī)器人達(dá)到待裝配位置，然后待十字結(jié)構(gòu)光傳感器也測(cè)量出待裝配物信息后，結(jié)合近測(cè)量信息進(jìn)行信息融合，從而對(duì)近距離測(cè)量的結(jié)果進(jìn)行一個(gè)精度補(bǔ)償。繼續(xù)配合十字結(jié)構(gòu)光傳感器對(duì)機(jī)器人進(jìn)行姿態(tài)調(diào)整，直到裝配精度符合預(yù)期值。其具體的算法流程如圖1 所示。

圖1 視覺(jué)信息融合算法流程圖

3 裝配測(cè)量實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)平臺(tái)由KUKA 機(jī)器人及控制系統(tǒng)、十字結(jié)構(gòu)光傳感器、雙目視覺(jué)傳感器、機(jī)器人末端工具鉛筆、標(biāo)準(zhǔn)方塊、計(jì)算機(jī)和三維位移臺(tái)組成。實(shí)驗(yàn)的檢測(cè)結(jié)果如表1 所示，以示教對(duì)準(zhǔn)結(jié)果為真實(shí)值，其他方式的引導(dǎo)結(jié)果為測(cè)量值，并且所有坐標(biāo)結(jié)果都是相對(duì)于機(jī)器基坐標(biāo)系而言的。

機(jī)器人在不同的引導(dǎo)方式下，從表1 中可以看出雙目視覺(jué)單獨(dú)引導(dǎo)效果最差，因?yàn)槭艿綄?shí)驗(yàn)條件和光線影響使得圖像配準(zhǔn)效果欠佳，得到的標(biāo)準(zhǔn)塊的位姿信息不是太精確；十字結(jié)構(gòu)光傳感器單獨(dú)引導(dǎo)精度明顯比雙目視覺(jué)引導(dǎo)精度要好，因?yàn)榕c雙目視覺(jué)傳感器相比，除了實(shí)驗(yàn)條件一樣的情況下，十字結(jié)構(gòu)光傳感器能夠自身打出激光線，形成自己獨(dú)有的特征線，有效的降低了外界光線對(duì)圖像處理過(guò)程中的干擾；信息融合后的引導(dǎo)精度最接近于示教引導(dǎo)效果，這也說(shuō)明了本文視覺(jué)信息融合方法的有效性。

表1 對(duì)準(zhǔn)實(shí)驗(yàn)數(shù)據(jù)

在驗(yàn)證了視覺(jué)信息融合方法有效性的基礎(chǔ)之上，為了更好的說(shuō)明其性能，再驗(yàn)證其引導(dǎo)誤差的收斂性。本文利用位移臺(tái)對(duì)標(biāo)準(zhǔn)塊進(jìn)行多次位置改變，其幾何中心也會(huì)隨之改變，每次改變標(biāo)準(zhǔn)塊姿態(tài)之后，用視覺(jué)信息融合方法對(duì)其對(duì)準(zhǔn)性進(jìn)行驗(yàn)證。記錄標(biāo)準(zhǔn)塊在不同位姿下的引導(dǎo)次數(shù)和每次引導(dǎo)對(duì)準(zhǔn)數(shù)據(jù)，本次實(shí)驗(yàn)對(duì)四種不同姿態(tài)下的標(biāo)準(zhǔn)塊進(jìn)行對(duì)準(zhǔn)實(shí)驗(yàn)，具體數(shù)據(jù)如圖2 所示。

把示教的數(shù)值當(dāng)成0 基線數(shù)值，那么每次引導(dǎo)的效果都是相對(duì)于基線來(lái)說(shuō)的，通過(guò)擬合曲線可以看出，隨著擬合引導(dǎo)次數(shù)的增加，也就是機(jī)器人調(diào)整姿態(tài)次數(shù)的增加，引導(dǎo)誤差越來(lái)越趨近于基線，每種姿態(tài)下的測(cè)量誤差基本都在距離基線0.41mm 處穩(wěn)定下來(lái)。這說(shuō)明整個(gè)系統(tǒng)重復(fù)運(yùn)作引導(dǎo)性能較好，融合算法具有良好的魯棒性能。

圖2 引導(dǎo)誤差曲線

4 結(jié)論

本文針對(duì)機(jī)器人裝配領(lǐng)域一直以來(lái)存在的裝配精度不高、裝配效率慢、次品率多等問(wèn)題，制定了合理的視覺(jué)測(cè)量系統(tǒng)方案，為機(jī)器人提供精確的實(shí)時(shí)位姿引導(dǎo)信息。為了使視覺(jué)信息得到充分利用和提高裝配精度，提出了一種基于自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)的視覺(jué)信息融合算法。實(shí)驗(yàn)結(jié)果表明融合算法引導(dǎo)結(jié)果最接近于示教結(jié)果，體現(xiàn)了本文提出的視覺(jué)信息融合算法的準(zhǔn)確性和魯棒性能。