郭紅艷，馬建紅

（1.河南開放大學(xué)信息工程與人工智能學(xué)院，河南 鄭州 450046；2.鄭州大學(xué)軟件學(xué)院，河南 鄭州 450002）

1 引言

隨著機(jī)器人技術(shù)的多樣化，桁架機(jī)器人成為制造領(lǐng)域智能轉(zhuǎn)型的關(guān)鍵要素之一。作為高端制造設(shè)備，桁架機(jī)器人改變了制造業(yè)生產(chǎn)線的用工結(jié)構(gòu)。利用桁架機(jī)器人完成分揀任務(wù)，能夠充分發(fā)揮機(jī)器人穩(wěn)定靈活的優(yōu)勢，能夠節(jié)省人工成本，提高生產(chǎn)效率［1］。

在機(jī)器人分揀過程中，分揀結(jié)構(gòu)需要按照預(yù)設(shè)的姿態(tài)和軌跡，在抓取位置和放置位置之間移動，從而實(shí)現(xiàn)對工件的抓取和放置。但由于制造領(lǐng)域柔性制造單元的增加，機(jī)器人對流水線的自適應(yīng)性較低。因此，研究機(jī)器人柔性分揀結(jié)構(gòu)自動化控制技術(shù)具有重要意義。

現(xiàn)階段，關(guān)于機(jī)器人分揀結(jié)構(gòu)控制技術(shù)的相關(guān)研究已取得了較大進(jìn)展，利用機(jī)器視覺技術(shù)，結(jié)合匹配算法和圖像分割提取目標(biāo)工件特征向量，包括大小、顏色、形狀等，可以快速檢查目標(biāo)工件當(dāng)前位置，并對物料進(jìn)行視覺跟蹤，然后通過視覺引導(dǎo)功能分揀平臺上的工件［2］。文獻(xiàn)［3］中提出了一種基于閉環(huán)和前饋控制的分揀機(jī)器人控制技術(shù)，該技術(shù)在建立機(jī)器人柔性分揀結(jié)構(gòu)運(yùn)動軌跡規(guī)劃模型的基礎(chǔ)上，通過整定PID控制參數(shù)完成對分揀機(jī)器人的控制。文獻(xiàn)［4］中提出了一種基于視覺檢測的機(jī)器人快速分揀控制技術(shù)，該技術(shù)根據(jù)圖像、攝像機(jī)與坐標(biāo)系之間的關(guān)系，在標(biāo)定圖像傳感器的基礎(chǔ)上，通過提取并分類工件幾何特征對工件進(jìn)行定位，根據(jù)工件位置設(shè)計機(jī)器人分揀流程，從而達(dá)到控制快速分揀控制的目的。上述兩種方法目前應(yīng)用范圍較廣、使用率較高的方法，具有一定的代表性，但其忽略了外部因素的干擾，導(dǎo)致分揀末端最大跟隨誤差較大。同時，文獻(xiàn)［4］技術(shù)技術(shù)對工件視覺信息的描述不完整，導(dǎo)致分揀末端夾持力超調(diào)量較大。

針對傳統(tǒng)控制技術(shù)在計算分揀結(jié)構(gòu)期望力矩時，因忽略對從動臂執(zhí)行力矩的補(bǔ)償而導(dǎo)致的控制效果不理想的問題，本研究結(jié)合現(xiàn)有的研究理論，提出融合云計算的桁架機(jī)器人柔性分揀結(jié)構(gòu)自動化控制技術(shù)。

2 自動化控制技術(shù)設(shè)計

2.1 識別待分揀工件的像素坐標(biāo)

在陌生的生產(chǎn)環(huán)境中，利用攝像機(jī)采集目標(biāo)工件的圖像來識別工件位置，從而獲得工件像素坐標(biāo)。將工業(yè)攝像機(jī)固定在分揀工作平面上，采集目標(biāo)工件圖像，再對圖像進(jìn)行灰度化處理，把彩色像素三個分量的加權(quán)平均值，作為灰度圖像的亮度值［5］。這一過程中，還需要通過圖像濾波消除灰色圖像噪聲干擾，利用值域?yàn)V波器內(nèi)核A(a，b，c，d)、區(qū)域?yàn)V波器內(nèi)核B(a，b，c，d)，構(gòu)成雙邊濾波。其中，(a，b)為內(nèi)核窗口中心像素點(diǎn)的像素坐標(biāo)，(c，d)為窗口內(nèi)各個像素點(diǎn)的像素坐標(biāo)，定義公式為：

式中：C—像素點(diǎn)與中心點(diǎn)的距離；D—像素點(diǎn)與中心點(diǎn)的相似度；E(c，d)—(c，d)的灰度值；E(a，b)—(a，b)的灰度值。計算雙邊濾波的加權(quán)系數(shù)e(a，b，c，d)，公式為：

中心點(diǎn)(a，b)經(jīng)過雙邊濾波后的灰度值F(a，b)計算公式為：

在此基礎(chǔ)上，采用閾值分割的方式去除濾波圖像的背景區(qū)域。設(shè)置閾值為f，設(shè)濾波圖像為F(x，y)，分割后得到的二值圖像G(x，y)表達(dá)式為：

然后采用Canny算子提取工件邊緣信息，利用一階有限差分近似表示二值圖像的梯度［6］。假設(shè)G(x)，y水平和豎直的偏導(dǎo)數(shù)梯度分別為g(x，y)、h(x，y)，梯度幅值H(x，y)和方向角I(x，y)計算公式為：

然后分別由H(x，y)、I(x，y)確定邊緣強(qiáng)度和邊緣方向。通過非極大值抑制，得到H(x，y)的局部最大值，提取I(x，y)上梯度最大的像素點(diǎn)，作為邊緣輪廓的像素點(diǎn)，獲得只有工件輪廓的圖像?；诖?，根據(jù)不同工件的實(shí)際大小，設(shè)置各個工件輪廓面積的最大閾值和最小閾值，判斷工件圖像輪廓面積位于的閾值區(qū)間，從而識別出不同的工件類別［7］，找到機(jī)器人分揀工件，并將輪廓中心像素坐標(biāo)作為分揀工件像素坐標(biāo)。至此，完成對待分揀工件像素坐標(biāo)的識別。

2.2 基于云計算獲取分揀結(jié)構(gòu)末端運(yùn)動學(xué)參數(shù)

通過像素坐標(biāo)，結(jié)合融合云計算，定位工件在分揀工作平面上的實(shí)際位置，規(guī)劃桁架機(jī)器人抓取動作運(yùn)動軌跡，計算柔性分揀結(jié)構(gòu)末端運(yùn)動學(xué)參數(shù)。

設(shè)工件像素坐標(biāo)和物理坐標(biāo)分別為(x，y)、(u，v)，像素坐標(biāo)原點(diǎn)為(x0，y0)，(x，y)和(u，v)的轉(zhuǎn)換公式為：

假設(shè)物理坐標(biāo)原點(diǎn)為(u0，v0)，工件實(shí)際位置的三維坐標(biāo)為(X，Y，Z)，(u，v)和(X，Y，Z)的轉(zhuǎn)換公式為：

式中：J—旋轉(zhuǎn)矩陣；k—平移矩陣。將(X，Y，Z)作為機(jī)器人的抓取位置，從而調(diào)整機(jī)器人抓取動作的位置和姿態(tài)。

在此基礎(chǔ)上，通過云計算技術(shù)建立專業(yè)云和公開云的融合云架構(gòu)，在機(jī)器人端收集生產(chǎn)環(huán)境數(shù)據(jù)，再通過專業(yè)云識別生產(chǎn)環(huán)境的熟悉物體，通過公開云引入互聯(lián)網(wǎng)的大數(shù)據(jù)公開服務(wù)，理解生產(chǎn)環(huán)境無法識別的物體，把需要計算能力的語義地圖建圖過程部署在專業(yè)云上［8］。

基于此，利用融合云端提供的語義地圖，完成陌生的生產(chǎn)環(huán)境理解任務(wù)，獲得傳送帶移動速度、機(jī)器人分揀結(jié)構(gòu)末端抬起高度等參數(shù)信息。具體過程如下：在分揀工作平面上安裝測速編碼器［9］，結(jié)合傳送帶移動速度和編碼器反饋的脈沖數(shù)，得到傳送帶上工件任意時刻的位置坐標(biāo)( )X，Y，Z。機(jī)器人執(zhí)行“抓取-放置”動作時末端規(guī)劃的運(yùn)動路徑，如圖1所示。

圖1 桁架機(jī)器人末端“抓取-放置”運(yùn)動路徑Fig.1 "Grab-Place" Motion Path at the End of a Truss Robot

如圖1所示，在弧線過渡拐角位置增強(qiáng)機(jī)器人運(yùn)動過程的平滑性，獲取抓取點(diǎn)和放置點(diǎn)的位置K1、K6。根據(jù)末端抬起高度確定兩個過渡點(diǎn)K7、K8，并設(shè)置K7、K8的過渡半徑，得到四個經(jīng)過點(diǎn)K2、K3、K4、K5，從而生成一條完整的末端運(yùn)動軌跡K1-K2-K3-K4-K5-K6。

假設(shè)末端“抓取-放置”總運(yùn)行時間為T，加減速度時段為t，加速度修正參數(shù)為L。L越小，加減速度時段占總運(yùn)行時間的比例越大；L越大，加減速度時段所占比例越小。末端加速度l計算公式為：

式中：lmax—分揀結(jié)構(gòu)末端最大加速度。計算速度曲線M，公式為：

對速度曲線積分得到位置曲線N表達(dá)式為：

利用加速度l、速度M、位移N三個運(yùn)動學(xué)參數(shù)，表示分揀結(jié)構(gòu)末端運(yùn)動軌跡。至此，基于云計算完成了對桁架機(jī)器人柔性分揀結(jié)構(gòu)末端運(yùn)動學(xué)參數(shù)的獲取。

2.3 自動化控制桁架機(jī)器人柔性分揀結(jié)構(gòu)

分別通過運(yùn)動學(xué)參數(shù)和動力學(xué)參數(shù)，表示桁架機(jī)器人動態(tài)特性，驅(qū)動機(jī)器人柔性分揀結(jié)構(gòu)，實(shí)現(xiàn)目標(biāo)工件分揀的自動化控制。計算作用在分揀結(jié)構(gòu)主動臂上的力矩m，公式為：

式中：n—主動臂轉(zhuǎn)軸的轉(zhuǎn)動慣量；P—主動臂轉(zhuǎn)軸的重力矩；p—主動臂轉(zhuǎn)軸的轉(zhuǎn)角。計算作用在分揀結(jié)構(gòu)從動臂上的力矩O，公式為：

式中：o—雅克比矩陣；q1—從動臂連桿的重力；q2—從動臂連桿的慣性力；q3—從動臂連桿的慣性力矩。計算作用在分揀結(jié)構(gòu)動平臺上的力矩Q，公式為：

式中：R、S、r—動平臺質(zhì)量、質(zhì)心加速度、重力。建立機(jī)器人分揀工件的動力學(xué)模型s，表達(dá)式為：

通過動力學(xué)模型，確定機(jī)器人分揀工件的期望力矩［10］。通過力矩前饋控制器執(zhí)行力矩前饋補(bǔ)償，獲得期望力矩。在此基礎(chǔ)上，將期望力矩轉(zhuǎn)換為電信號，把電信號作用在分揀結(jié)構(gòu)的電流回路上，驅(qū)動電機(jī)軸，使分揀結(jié)構(gòu)達(dá)到各項(xiàng)運(yùn)動學(xué)參數(shù)的運(yùn)動狀態(tài)。至此，完成對桁架機(jī)器人分揀結(jié)構(gòu)的自動化控制。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

為驗(yàn)證本研究設(shè)計的融合云計算的桁架機(jī)器人柔性分揀結(jié)構(gòu)自動化控制技術(shù)的實(shí)際應(yīng)用性能，設(shè)計如下實(shí)驗(yàn)過程。

將上述設(shè)計的融合云計算的控制技術(shù)與文獻(xiàn)［3］中的基于閉環(huán)和前饋控制的分揀機(jī)器人控制技術(shù)、文獻(xiàn)［4］中的基于比例導(dǎo)引法的機(jī)械臂揀矸過程軌跡規(guī)劃控制技術(shù)展開對比，比較三種技術(shù)控制下的分揀結(jié)構(gòu)最大跟隨誤差、夾持力超調(diào)量。

3.1 實(shí)驗(yàn)平臺

以SCARA 桁架機(jī)器人為例，分揀結(jié)構(gòu)為平行式夾持機(jī)構(gòu)，由伺服控制器、光電開關(guān)、氣源、電機(jī)等組成，分為主動臂、從動臂、靜平臺、動平臺四個部分。采用包裝產(chǎn)品作為機(jī)器人柔性分揀對象，包裝產(chǎn)品為長方體物品，其尺寸為（75×40×18）cm。實(shí)驗(yàn)現(xiàn)場環(huán)境，如圖2所示。

圖2 機(jī)器人分揀實(shí)驗(yàn)環(huán)境Fig.2 Robot Sorting Experimental Environment

設(shè)計技術(shù)選取工業(yè)智能相機(jī)，采集包裝產(chǎn)品原始圖像，相機(jī)焦距為10mm，使用陶瓷圓點(diǎn)標(biāo)定板，標(biāo)定相機(jī)，標(biāo)定板間距為6mm，圓點(diǎn)直徑為3mm。實(shí)驗(yàn)參數(shù)，如表1所示。

表1 機(jī)器人分揀實(shí)驗(yàn)參數(shù)Tab.1 Experimental Parameters of Robot Sorting

3.2 實(shí)驗(yàn)結(jié)果與分析

3.2.1 最大跟隨誤差測試

在SCARA機(jī)器人的使用指標(biāo)中，線速度應(yīng)≤0.1m/s。因此，為了實(shí)現(xiàn)對機(jī)器人在最高工作效率下的控制，實(shí)驗(yàn)將機(jī)器人夾指機(jī)構(gòu)的初始線速度設(shè)定為0.05m/s，后調(diào)整為0.1m/s，以倍數(shù)增長的方式探究速度對跟蹤誤差。

當(dāng)夾持機(jī)構(gòu)的夾指以0.05m/s運(yùn)動速度，抓取0.8kg包裝產(chǎn)品時，計算夾指和包裝產(chǎn)品位置坐標(biāo)的差值，得到夾指跟隨誤差。三種技術(shù)分揀結(jié)構(gòu)抓取產(chǎn)品的跟隨誤差曲線，如圖3所示。

圖3 分揀結(jié)構(gòu)0.05m/s速度下的跟隨誤差曲線Fig.3 Following Error Curve of Sorting Structure at 0.05m/s Velocity

在圖3 中，正值和負(fù)值分別為包裝產(chǎn)品運(yùn)動方向的正向和反向。

然后改變夾指運(yùn)動速度為0.1m/s，抓取0.8kg包裝產(chǎn)品，此時三種技術(shù)跟隨誤差曲線，如圖4所示。

圖4 分揀結(jié)構(gòu)0.1m/s速度下的跟隨誤差曲線Fig.4 Following Error Curve of Sorting Structure at 0.1m/s Velocity

在此基礎(chǔ)上，統(tǒng)計跟隨誤差曲線中的最大跟隨誤差。不同技術(shù)的最大跟隨誤差對比結(jié)果，如表2所示。

表2 最大跟隨誤差實(shí)驗(yàn)對比結(jié)果（×10-3m）Tab.2 Maximum Following Error Experimental Comparison Results（×10-3m）

根據(jù)上述實(shí)驗(yàn)結(jié)果可知，當(dāng)分揀結(jié)構(gòu)運(yùn)動速度發(fā)生變化時，融合云計算的控制技術(shù)的夾指最大跟隨誤差明顯小于另外兩種傳統(tǒng)技術(shù)，說明融合云計算的控制技術(shù)提高了包裝產(chǎn)品位置跟蹤精度，同時保證了對速度變化的自適應(yīng)性。

3.2.2 夾持力超調(diào)量測試

當(dāng)夾指以0.05m/s 速度抓取0.8kg 產(chǎn)品時，設(shè)定夾持力為40N，此時三種技術(shù)分揀結(jié)構(gòu)末端的夾持力曲線，如圖5所示。

圖5 0.8kg負(fù)載下的分揀結(jié)構(gòu)末端夾持力曲線Fig.5 End Clamping Force Curve of Sorting Structure Under 0.8kg Load

改變包裝產(chǎn)品重量為1.1kg，夾指運(yùn)動速度仍為0.05m/s，設(shè)定夾持力為50N，此時，三種技術(shù)夾持力曲線，如圖6所示。

圖6 1.1kg負(fù)載下的分揀結(jié)構(gòu)末端夾持力曲線Fig.6 End Clamping Force Curve of Sorting Structure Under 1.1kg Load

統(tǒng)計夾持力曲線中的超調(diào)量。不同技術(shù)的夾持力超調(diào)量實(shí)驗(yàn)對比，如表3所示。

表3 夾持力超調(diào)量實(shí)驗(yàn)對比結(jié)果（N）Tab.3 Experimental Comparison Results of Clamping Force Overshoot（N）

根據(jù)上述實(shí)驗(yàn)結(jié)果可知，當(dāng)負(fù)荷質(zhì)量發(fā)生變化時，利用融合云計算的控制技術(shù)得到的分揀結(jié)構(gòu)末端夾持力超調(diào)量最小，說明其能夠使包裝產(chǎn)品夾持更加穩(wěn)定，同時也保證了桁架機(jī)器人柔性分揀結(jié)構(gòu)對負(fù)載變化的自適應(yīng)性。

4 結(jié)束語

針對桁架機(jī)器人柔性分揀結(jié)構(gòu)，這里融合云計算設(shè)計了一種自動化控制技術(shù)，減小了分揀結(jié)構(gòu)最大跟隨誤差和夾持力超調(diào)量，從而提高最終的控制效果。但融合云計算的控制技術(shù)仍存在一定不足。在今后的研究中，會結(jié)合機(jī)器人關(guān)節(jié)空間閉環(huán)結(jié)構(gòu)，設(shè)計一種輸出力矩的自適應(yīng)規(guī)則，通過雙閉環(huán)視覺伺服控制實(shí)時調(diào)整阻尼參數(shù)，進(jìn)一步提高桁架機(jī)器人對抓取負(fù)載變化和抓取速度的自適應(yīng)性能。