一种面向深腔盲区的臂手协同装配纠偏方法及系统
本发明涉及具身智能控制与机器人装配,具体来说,涉及一种面向深腔盲区的臂手协同装配纠偏方法及系统。
背景技术:
1、在航空航天制造、复杂机械设备组装等接触丰富作业场景中,深腔内轴孔装配是一项极具挑战性的任务。当被装配件进入深腔盲区后,全局视觉传感器常因物理遮挡而完全失效。此时,系统只能依赖机械臂本体传感器和末端执行器的局部反馈来进行位姿估计。现有技术在处理此类高自由度臂手协同控制时,主要面临以下痛点:
2、其一,盲区手内滑移感知与纠偏缺失。在受限的深腔内部,零部件受迫物理接触易发生手内滑移或偏斜。现有的纯本体力控或单一运动学算法在此类视觉盲区中,难以感知到指尖局部的滑移畸变;一旦发生滑移,往往只能选择整体退让或直接导致轴孔卡死、装配失败,缺乏在不脱离接触状态下的“原位滑移纠偏与手内重定向”能力。
3、其二,宏微观运动维度的严重耦合。在高维空间中,机械臂的宏观空间平移与灵巧手为了克服滑移而进行的局部搓动重定向高度耦合,传统的端到端强化学习极易引发维度灾难与策略振荡。
4、其三,探索安全边界模糊。由于受限深腔内部的干涉间隙极小,强化学习在早期探索阶段的“随机试错”极易导致高刚度零部件碰撞受损,无法满足工业现场绝对物理安全的红线要求。
5、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题,本发明提出一种面向深腔盲区的臂手协同装配纠偏方法及系统,以克服现有相关技术所存在的上述技术问题。
2、为此,本发明采用的具体技术方案如下:
3、根据本发明的一个方面,提供了一种面向深腔盲区的臂手协同装配纠偏方法,包括:
4、s1、构建面向深腔视觉失效环境的空间映射与动力学失稳预测物理环境,并将待装配件的初始精确位姿与目标孔位的空间参数映射至动力学失稳预测物理环境中,同时确定深腔环境干涉边界约束与接触力极值约束;
5、s2、基于深腔环境干涉边界约束及接触力极值约束,构建以对齐目标孔位轴孔及手内重定向为目标的臂手协同纠偏优化问题模型,并将臂手协同纠偏优化问题模型形式化表达为马尔可夫决策过程;
6、s3、利用多模态表征融合机制,对实时采集的触觉张量畸变及运动学感知残差进行差分计算与特征提取,生成多模态具身表征联合张量并输入至马尔可夫决策过程的状态空间,作为盲区内零部件滑移后当前位姿估计的物理量度基础;
7、s4、在策略生成网络中嵌入多专家混合架构,将复杂失稳位姿解耦为独立执行平移、旋转及耦合失稳模式的子专家策略,并引入基于人工示教轨迹的模仿学习先验约束机制,裁剪偏离安全基线的动作候选集;
8、s5、利用经多模态表征融合机制、多专家混合架构及模仿学习先验约束机制改进的强化学习算法,执行全态网络推演与迭代寻优,并下发同时满足限制约束与优化目标的微小协同纠偏动作序列,直至实现满足目标孔位轴孔对齐条件的位姿状态回归。
9、根据本发明的另一个方面,提供了一种面向深腔盲区的臂手协同装配纠偏系统,包括:
10、物理环境构建与约束施加模块,用于构建面向深腔视觉失效环境的空间映射与动力学失稳预测物理环境,并将待装配件的初始精确位姿与目标孔位的空间参数映射至动力学失稳预测物理环境中,同时确定深腔环境干涉边界约束与接触力极值约束;
11、臂手协同纠偏优化问题建模模块,用于基于深腔环境干涉边界约束及接触力极值约束,构建以对齐目标孔位轴孔及手内重定向为目标的臂手协同纠偏优化问题模型,并将臂手协同纠偏优化问题模型形式化表达为马尔可夫决策过程;
12、多模态感知与状态估计模块,用于利用多模态表征融合机制,对实时采集的触觉张量畸变及运动学感知残差进行差分计算与特征提取,生成多模态具身表征联合张量并输入至马尔可夫决策过程的状态空间,作为盲区内零部件滑移后当前位姿估计的物理量度基础;
13、策略解耦与先验约束模块,用于在策略生成网络中嵌入多专家混合架构,将复杂失稳位姿解耦为独立执行平移、旋转及耦合失稳模式的子专家策略,并引入基于人工示教轨迹的模仿学习先验约束机制,裁剪偏离安全基线的动作候选集;
14、强化学习迭代寻优模块,用于利用经多模态表征融合机制、多专家混合架构及模仿学习先验约束机制改进的强化学习算法,执行全态网络推演与迭代寻优,并下发同时满足限制约束与优化目标的微小协同纠偏动作序列,直至实现满足目标孔位轴孔对齐条件的位姿状态回归。
15、本发明的有益效果为:
16、1)本发明通过引入混合专家架构解耦复杂位姿,并在训练中强制施加人工示教先验约束,实现深腔盲区内安全、高精度的装配前置轴孔对齐,为后续的物理插入装配奠定位姿基础。
17、2)多模态盲区状态估计:提出多模态具身表征联合张量,解决了视觉拒止后的状态估计难题,将触觉张量畸变与运动学感知残差成功转化为物理状态空间。
18、3)多专家架构突破维度耦合灾难:通过引入带有动态温度参数的门控网络,将六自由度机械臂与多自由度灵巧手的耦合动作解耦,提升了动作寻优的收敛速度和策略平滑性。
19、4)构建无法逾越的安全防线:建立“模仿先验软约束+极值防线与柔顺阻抗硬约束”的双轨制安全架构,化解了强化学习试错引发的硬性碰撞风险。
1.一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,包括:
2.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,所述深腔环境干涉边界约束的表达式为:
3.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,马尔可夫决策过程的动作空间中的协同纠偏动作向量由灵巧手各指节的输出力矩增量指令、机械臂六自由度位姿控制指令及笛卡尔空间阻抗刚度调节指令构成;
4.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,马尔可夫决策过程的状态空间中的状态向量构成多模态具身表征联合张量,且多模态具身表征联合张量由接触压力中心滑移特征、本体运动学观测向量、空间姿态特征及当前位姿估计降维特征拼接而成;
5.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,步骤s3中,当前位姿估计的解算,包括:
6.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,所述在策略生成网络中嵌入多专家混合架构,将复杂失稳位姿解耦为独立执行平移、旋转及耦合失稳模式的子专家策略,包括:
7.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,所述裁剪偏离安全基线的动作候选集时,计算探索策略与先验策略的散度以构建惩罚项,并根据惩罚项裁剪偏离安全基线的动作候选集;
8.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,改进后的强化学习算法的奖励函数为多目标联合奖励函数,表达式为:
9.根据权利要求1所述的一种面向深腔盲区的臂手协同装配纠偏方法,其特征在于,所述下发同时满足限制约束与优化目标的微小协同纠偏动作序列,直至实现满足目标孔位轴孔对齐条件的位姿状态回归,包括:
10.一种面向深腔盲区的臂手协同装配纠偏系统,用于实现权利要求1-9中任一所述的面向深腔盲区的臂手协同装配纠偏方法的步骤,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com