□ 顧 勇 □ 袁鴻斌 □ 吳小濤

1.杭州師范大學 錢江學院 杭州 310036 2.杭州師范大學 工學院 杭州 310036

1 研究背景

伴隨著中國制造2025和工業(yè)4.0計劃的提出,機器人在全球各個產業(yè)中的需求逐年增加[1]。機械臂雖然已經從最初的工業(yè)領域逐漸進入人們的日常生活,但是大多只是應用在簡單的工作環(huán)境中,或針對固定的工作任務,與人類對機械臂的期望相差甚遠。隨著人們對機械臂工作要求的不斷提高,傳統(tǒng)機械臂缺乏自主控制能力所帶來的弊端逐漸凸顯。因此,如何使機械臂具備足夠智能化,已經成為當前機械臂領域的主流研究之一。

機器視覺在不與外部環(huán)境接觸的情況下獲取外部信息,屬于一種認知交互,為控制機器動作提供豐富的參照。機器視覺在機械臂中應用,將提高操作靈活性和工作效率。通過機器視覺對工件進行識別和定位,并進行圖像處理,可高效、精確地定位工件,獲得工件的位置數據,從而實現機械臂自動完成工件的抓取。

筆者搭建了一套智能拾取機械臂系統(tǒng),搭載視覺系統(tǒng)對混合場景下需要抓取的目標進行識別,并估計目標在空間中的位姿,從而引導機械臂靠近目標,完成拾取任務。

2 整體結構

智能拾取機械臂系統(tǒng)主要由視頻采集、圖像識別、拾取執(zhí)行三部分組成,硬件框架如圖1所示。首先將物體放置在固定位置,將攝像機采集的實時視頻信息傳輸至計算機,形成數字圖像。然后利用訓練后的目標檢測網絡對圖像中包含的物體進行分類、識別和定位。最后將信息輸入至控制柜,形成指令,從而控制機械臂運動完成拾取。智能拾取機械臂系統(tǒng)的整體結構模型如圖2所示。

▲圖1 智能拾取機械臂系統(tǒng)硬件框架▲圖2 智能拾取機械臂系統(tǒng)整體結構模型

3 視覺識別系統(tǒng)

通過對比國內外研究[2-7],發(fā)現 YOLOv3算法網絡框架模型最佳,因此筆者選用YOLOv3算法網絡框架模型,基于Jetson Nano硬件,參考文獻[8]線性迭代等算法實現識別功能,并進行改良。引入隨機失活算法、AdaGrad算法代替?zhèn)鹘y(tǒng)的隨機梯度下降算法,在模型的全連接層進行批標準化處理。引入遷移學習,加快模型的訓練速度。引入混合注意力機制,提高網絡細化特征的能力。由此實現識別工件種類、分析工件姿態(tài)、提取旋轉錨框特征等功能。視覺識別系統(tǒng)界面如圖3所示。

▲圖3 視覺識別系統(tǒng)界面

針對目標檢測,選擇YOLOv3算法,并對YOLOv3算法網絡結構進行分析。為了減小目標檢測中的計算量,對YOLOv3算法進行輕量化設計。使用輕量級移動網絡v3代替YOLOv3算法的骨干網,并實現路徑聚合網絡的深度可分離卷積輕量化。

筆者采用YOLOv3算法,即基于深度學習的目標識別算法,過程如下:① 攝像機采集圖像,并將其劃分為正方形網格;② 每個網格預測B個邊界框,記錄元素x、y、w、h和P×IOU,其中,P為當前位置為目標的概率,IOU為交并比,x、y為中心坐標,w為寬度,h為高度;③ 計算每個預測網格的概率P。YOLOv3算法使用卷積網絡提取特征,然后使用全連接層得到預測值。網絡結構包含24個卷積層和兩個全連接層。

4 控制系統(tǒng)

針對機械臂進行Denavit-Hartenberg建模[9],并進行運動學分析,包括正運動學方程推導、運動學逆分析、雅可比矩陣求解及逆解推導。利用MATLAB軟件中的Robotics Toolbox建立機械臂模型,通過仿真驗證逆矩陣的正確性。Denavit-Hartenberg模型如圖4所示。其中,機器人的三個關節(jié)都可以旋轉或平移,第一個關節(jié)指定為n-1,第二個關節(jié)指定為n,第三個關節(jié)指定為n+1。連桿n-1位于關節(jié)n-1和n之間,連桿n位于關節(jié)n和n+1之間。Denavit-Hartenberg建模需要為每個關節(jié)指定一個局部參考坐標系。對于每個關節(jié),必須指定X軸和Z軸,而不指定Y軸。若關節(jié)為旋轉式,則Z軸按右手定則位于旋轉方向上。若關節(jié)為滑動式,則Z軸為沿直線運動的方向,可理解為Z軸為電機輸出軸方向。X軸定義為兩個相鄰關節(jié)的Z軸之間的共垂直方向。Denavit-hartenberg模型參數見表1。

表1 Denavit-Hartenberg參數

5 樣機制作

通過完善硬件和軟件,筆者搭建了一套智能拾取機械臂系統(tǒng)樣機,制作指標如下:

(1) 單件抓取時間為15 s;

(2) 機械臂活動范圍為400 mm;

(3) 最大移動速度為0.2 m/s;

(4) 連續(xù)工作時間為2 h。

智能拾取機械臂系統(tǒng)樣機如圖5 所示。對樣機進行調試,能夠完成規(guī)定動作,運行情況穩(wěn)定,拾取瞬間如圖6所示。

▲圖5 智能拾取機械臂系統(tǒng)樣機▲圖6 拾取瞬間

6 結束語

筆者在分析目前國內外分揀機器人的基礎上,搭建了一套智能拾取機械臂系統(tǒng)。根據實際應用需求,將機器視覺技術應用于各種工件分揀中。智能拾取機械臂系統(tǒng)樣機達到預期的設計要求,能夠自動分揀放置在地面上的工件,驗證了控制系統(tǒng)設計的合理性。

目前,智能拾取機械臂系統(tǒng)的路徑規(guī)劃面臨許多痛點[10-11],從試驗結果可以看出,改進的軌跡規(guī)劃過程中生成的路徑也有拐點,并且角速度和角加速度的變化也不平緩。機械臂在實際運動過程中,可能會受到一定的沖擊。因此,未來的研究重點是利用相關傳感器來糾正運動過程中關節(jié)速度不穩(wěn)定的問題。筆者已有研究針對的是簡單的拾取任務,三維構造較為簡單。對于真實生活中的復雜模型,獲取三維數據并不容易。今后重點需對真實生活三維構建參數的準確性進行研究,并且分析自主拾取和拾取最佳姿勢。