葛 勇，曾勁松

（安徽機電職業(yè)技術學院 電氣工程學院，安徽 蕪湖市 241002）

目前，機器人在工業(yè)中得到了廣泛的應用，通過機器人末端執(zhí)行機構(gòu)的姿態(tài)精度來測量機器人的工作性能。通過大量研究得出，當前影響機器人姿態(tài)精度的因素主要包括：結(jié)構(gòu)參數(shù)誤差、環(huán)境因素干擾、動力學參數(shù)誤差、測量誤差等。在干擾因素當中包含了線性因素，也包含了非線性因素［1］。針對各類線性因素的干擾可結(jié)合其變化規(guī)律對位姿進行補償，但非線性因素由于沒有明顯的變化規(guī)律，因此很難實現(xiàn)對其精準的補償。同時，由于各類非線性影響因素的存在，使得機器人在運行過程中的精度會受到極大程度上的負面影響。因此，國外有相關方面的專家針對工業(yè)機器人位姿誤差補償方面展開了研究。提出由離線預調(diào)節(jié)和在線補償組成的迭代學習誤差補償方法，將改進的蒙特卡羅定位和機器視覺技術相結(jié)合，幫助自動泊車機器人進行位姿修正［2］。

近幾年，國內(nèi)相關領域研究人員對這一話題也進行了深入的研究，并提出了較為可行的方法。有研究學者提出了一種全梯度標準粒子群優(yōu)化反饋神經(jīng)網(wǎng)絡的工業(yè)機器人末端位姿補償方法。計算機器人關節(jié)角度，應用全梯度下降法來優(yōu)化反饋神經(jīng)網(wǎng)絡，計算實際位姿與理想位姿之間的差值，并通過網(wǎng)絡訓練獲取位姿參數(shù)與角度差值的關系，實現(xiàn)對機器人關節(jié)角度值的補償［3］。雖然這種方法能夠很好的補償機器人關節(jié)角度，但是在實際應用中，機械臂連桿容易出現(xiàn)較大位移，依舊存在一定的誤差。還有相關專家提出基于慣性傳感器的工業(yè)機器人定位誤差補償方法，主要融合了視覺傳感器與慣性傳感器的信息，獲取工業(yè)機器人定位參數(shù)，通過光學運動跟蹤識別方法對末端位姿進行修正，實現(xiàn)誤差補償［4］。但是由于視覺傳感器獲取畫面的角度有限，容易忽略機器人運行過程中關節(jié)角的變化，因此在角度上還存在較大誤差。

針對上述問題，本文開展基于深度學習的工業(yè)機器人位姿誤差自動補償方法設計研究。

1 建立基于深度學習的機器人位姿目標識別定位模型

為實現(xiàn)對工業(yè)機器人位姿誤差的有效補償，引入深度學習，建立工業(yè)機器人位姿目標識別定位模型，并以其作為標準，開展后續(xù)對誤差的補償操作。在位姿目標識別定位模型中引入深度學習目標檢測模型的基本結(jié)構(gòu)，包括目標區(qū)、特征表示區(qū)、區(qū)域分類等。利用深度學習算法對工業(yè)機器人運行過程中的圖像進行處理，并提取出可能存在目標的定位框架，將這一框架中包含的區(qū)域視為候選區(qū)域。通過自動方式提取圖像中的特征。采用分類器判定區(qū)域當中是否存在目標以及目標所屬的具體類別。在這一過程中用于實現(xiàn)深度學習的RPN網(wǎng)絡會產(chǎn)生一定損失，這一部分損失可通過下述公式計算得出：

式中，L(p,t)表示上述過程深度學習RPN網(wǎng)絡損失量；N表示學習次數(shù)；p表示生成框架類別預測信息；p"表示一個標簽中包含的信息。 表示平衡變量。根據(jù)上述公式，可確定模型在進行深度學習過程中產(chǎn)生的損失量。根據(jù)這一損失情況，在輸入變量時，對輸入值進行補償，將最后一個卷積層當中的特征圖上輸入ROI區(qū)域大小為：

式中，S表示最后一個卷積層當中的特征圖上輸入ROI 區(qū)域大小；y和y"表示ROI 區(qū)域中某一點的縱軸坐標；x和x"表示ROI區(qū)域中某一點的橫軸坐標。上述公式中，該節(jié)點的坐標表示為（x，y，x"，y"）。由于工業(yè)機器人本身運行環(huán)境當中存在較多復雜因素，因此采用多任務學習模式對位姿目標識別定位模型進行優(yōu)化。在進行多任務模式的訓練中，使用2 個階段的學習策略來進行模型的訓練，目的是防止多個任務同時進行，會造成網(wǎng)絡的不穩(wěn)定［5］。所以，在模型訓練的初期，模型是一個單一任務或雙任務組成的模型，通過不斷學習、迭代構(gòu)成完整的模型結(jié)構(gòu)。同時，在訓練的過程中，在RPN 網(wǎng)絡中模擬現(xiàn)實工業(yè)機器人的運行場景，模擬內(nèi)容具體包括工業(yè)機器人開始時的位姿、結(jié)束時的位姿、連桿運行狀態(tài)等［6］。通過上述學習方式，可以使模型的參數(shù)不斷地更新，在原有的任務中，將所學到的知識轉(zhuǎn)移到新的任務中，使整個訓練過程的學習效率得到提高［7］。將上述構(gòu)建的模型導入到包含256維度的RPN網(wǎng)絡中間層當中，在經(jīng)過在最后一層卷積后，輸出256個維度的特征圖像，每一個圖像都有固定的尺寸，這些特征圖像上的每一個點都有對應的原始圖像和區(qū)域，利用回歸方法確定在原始圖像上該特征點所在區(qū)間。在此基礎上，選擇k 個具有不同大小以及長寬比的矩形，將其作為定位框。利用RPN網(wǎng)絡生成定位框，利用定位框確定工業(yè)機器人在運行過程中的位移以及角度。

2 導入誤差自動補償模糊控制器

在上述論述基礎上，將模糊控制器導入到工業(yè)機器人中，利用這一程序?qū)崿F(xiàn)對位姿誤差的自動補償控制。圖1為模糊控制器的基本結(jié)構(gòu)圖。

圖1 模糊控制器基本結(jié)構(gòu)圖

利用模糊控制器當中的模糊化模塊，將精準的變量轉(zhuǎn)變?yōu)槟：兞?。在模糊化模塊接口上的操作實際是定義語言變量的過程［8］。在模糊控制器當中，設置工業(yè)機器人位姿的物產(chǎn)數(shù)值以及誤差變化率數(shù)值，將其作為模糊控制器的輸入變量。為了使模糊控制語言變量轉(zhuǎn)換到離散域當中，實現(xiàn)計算機的識別，通過下述公式確定量化因子：

式中，k表示量化因子；m表示論域參數(shù)；e表示低限制；e"表示高限值。在確定量化因子后，根據(jù)控制規(guī)則中的輸入變量與輸出變量的模糊關系，通過模糊推理，確定輸出變量的模糊狀態(tài)，利用這一模糊狀態(tài)對工業(yè)機器人位姿誤差進行補償。在實際補償控制過程中，若每一次采樣后都需要進行模糊化、推理、去模糊化等操作，則會造成補償方法本身運行負擔增加，并占用大量資源［9］。針對這一問題，將上述運算以離線形式進行，并針對每一個可能產(chǎn)生的輸入白能量和輸出變量進行存儲，通過模糊查詢表得到對應數(shù)值，以此根據(jù)這一數(shù)據(jù)實現(xiàn)對工業(yè)機器人位姿誤差的自動補償。

3 輸出位姿誤差及自動補償

完成對模糊控制器的導入后，結(jié)合閉環(huán)矢量法，確定工業(yè)機器人的位姿誤差補償函數(shù)：

式中，I表示工業(yè)機器人的位姿誤差補償函數(shù)；J表示輸出位姿誤差最小值；m表示相對于工業(yè)機器人上下平臺各個連桿節(jié)點的位置。在確定工業(yè)機器人位姿誤差補償函數(shù)后，對于理論輸出位置可通過理論反解函數(shù)計算求得。由工業(yè)機器人連桿理論長度通過正向求解得到輸出的位姿數(shù)值。假設變量Xc表示補償后的輸出位姿誤差，則其表達式為：

式中，X"表示輸出位姿數(shù)值；X"表示實際輸出位姿補償量。通過理論反解得到工業(yè)機器人的名義補償量。在此基礎上，引入結(jié)構(gòu)誤差，得到驅(qū)動工業(yè)機器人位姿改變的連桿誤差補償量［10］。針對工業(yè)機器人運行過程中隨時間變化而產(chǎn)生的動態(tài)誤差，基于工作空間補償原理，對工業(yè)機器人輸出軌跡進行動態(tài)補償。

在上述基礎上，為實現(xiàn)對工業(yè)機器人位姿誤差的自動補償，使工業(yè)機器人在運行的過程中每一個連桿都達到理想運動狀態(tài)，在上述導入的模糊控制器的基礎上，確定自動補償?shù)脑砣鐖D2所示。

圖2 工業(yè)機器人位姿誤差自動補償原理圖

按照圖2 所示的基本原理，進行對工業(yè)機器人位姿誤差的自動補償。在這一過程中，sl0表示驅(qū)動工業(yè)機器人原始結(jié)構(gòu)誤差，由于工業(yè)機器人本身結(jié)構(gòu)的特點，其各個連桿之間存在一定間隙以及結(jié)構(gòu)誤差。因此，為了不影響到最終位姿的精度，在上述深度學習基礎上，在工業(yè)機器人中位點對sl0進行離線尋優(yōu)，以此得到最優(yōu)的sl0數(shù)值，在實際工業(yè)機器人開始運行時，針對其初始位姿進行更加準確的標定，確保后續(xù)位姿變化的精度，以此達到誤差自動補償?shù)哪康摹?/p>

4 對比實驗

在本文上述論述基礎上，為實現(xiàn)對基于深度學習的補償方法應用可行性的檢驗，選擇將該方法作為實驗組，將基于改進的PSO-BP 算法的補償方法作為對照I 組，將基于慣性傳感器的補償方法作為對照II 組，開展下述對比實驗研究。選擇以某工業(yè)生產(chǎn)區(qū)也現(xiàn)使用的工業(yè)機器人作為實驗研究對象。具體實驗環(huán)境如圖3所示。

分別按照3 種補償方法的應用思路，將其應用到工業(yè)機器人上，并設置應用實驗組補償方法的工業(yè)機器人為JQR-01，設置應用對照I 組補償方法的工業(yè)機器人為JQR-02，設置應用對照II組補償方法的機器人為JQR-03。3個工業(yè)機器人的型號以及各個性能參數(shù)完全相同，表1為該工業(yè)機器人連桿理論參數(shù)對照表。

表1 工業(yè)機器人連桿理論參數(shù)對照表

在明確上述各個連桿的運行參數(shù)后，對3 組機器人在運行過程中各個連桿運行誤差進行對比，其誤差計算公式為：

式（6）中，表示位移誤差；w表示連桿完成運作后要求位置；l表示連桿完成運作后實際位置；式（7）中表示角度誤差；a表示連桿完成運作后要求角度；表示連桿完成運作后實際角度。根據(jù)上述公式，將3 組工業(yè)機器人位姿中五個連桿的誤差進行記錄，并得到圖4。

圖4 3組工業(yè)機器人位姿誤差對比圖

結(jié)合圖4中的數(shù)據(jù)可以看出，3組工業(yè)機器人位姿誤差中，位移誤差從小到大依次為：JQR-01、JQR-02、JQR-03，角度誤差從小到大依次為：JQR-01、JQR-02、JQR-03。由此可以看出，通過對比3 種應用不同補償方法的工業(yè)機器人位姿誤差得出，應用本文上述提出的補償方法的工業(yè)機器人位姿無論是位移還是角度都更加精準，證明該補償方法的有效性。

5 結(jié)束語

基于工業(yè)機器人的運行特點，針對其在日常工作和生產(chǎn)過程中存在的位姿偏差問題，引入深度學習，提出了一種全新的位姿誤差自動補償方法，并通過將該方法與其他2 種補償方法對比得出，該補償方法的應用可行性。在實際應用中，由于工業(yè)運行環(huán)境中存在較多干擾因素，均會對位姿誤差造成一定影響，因此在后續(xù)的研究中，還將針對多種不同環(huán)境中的干擾因素，對本文上述提出的補償方法進行優(yōu)化，從而促進工業(yè)機器人運行水平的進一步提高。