基于计算机视觉的打磨机器人轨迹规划控制系统的制作方法
本发明涉及计算机视觉与机器人控制,具体为基于计算机视觉的打磨机器人轨迹规划控制系统。
背景技术:
1、打磨机器人对工件表面进行处理时,需获取工件外形信息以规划末端执行器的运动路径。现有的轨迹规划方式依赖人工示教或离线编程,由操作人员通过示教器逐点记录打磨路径点,再生成机器人运动程序。离线编程则借助计算机辅助设计软件导入工件的理论三维模型,在虚拟环境中生成打磨轨迹。上述方式存在明显缺陷:人工示教过程耗时费力,当工件外形复杂或存在局部凸起、孔洞等特征时,操作人员难以精确标定全部打磨区域与需避让的障碍区域,导致路径精度不足;离线编程基于理论模型进行规划,无法反映工件实际装夹后的空间姿态偏差和表面变形,规划的轨迹与实际工件存在位置误差,机器人末端执行器在打磨作业中容易与障碍区域发生碰撞,且轨迹偏差无法实时修正。
2、工件表面打磨区域与不可触碰的障碍区域往往交错分布,传统方法缺少对这两种区域的高效自动识别手段,多依赖人工观察判断,识别效率低且一致性差。此外,打磨过程中机器人末端执行器受到外界扰动和模型误差的影响,会偏离预设轨迹,常规的比例-积分-微分控制方法对系统参数摄动和外部干扰抑制能力有限,轨迹跟踪精度难以满足高精度打磨要求。因此,需要解决如何自动从工件表面准确区分可打磨区域与避障区域并生成避障打磨轨迹,以及如何在外界扰动下实现机器人末端执行器对预设轨迹的高鲁棒性动态跟踪的问题。
技术实现思路
1、本发明的目的在于提供一种基于计算机视觉的打磨机器人轨迹规划控制系统,自动从工件表面准确区分可打磨区域与避障区域并生成避障打磨轨迹,并在外界扰动下实现机器人末端执行器对预设轨迹的高鲁棒性动态跟踪。
2、为了实现上述目的,本发明提供如下技术方案:本发明提供一种基于计算机视觉的打磨机器人轨迹规划控制系统,所述系统包括视觉建模模块、特征提取模块、轨迹生成模块、位姿比较模块和滑模控制模块。视觉建模模块用于通过双目视觉传感器采集打磨工件的表面点云数据,并根据所述表面点云数据构建所述打磨工件的三维表面模型,从而为后续轨迹规划提供准确的工件几何信息。
3、作为本发明的一个技术方案,视觉建模模块控制所述双目视觉传感器从多个不同视角对所述打磨工件进行同步拍摄,获得多组左目图像和右目图像;对每组所述左目图像和所述右目图像进行立体匹配,计算对应像素点的视差值;根据所述视差值,通过三角测量原理计算所述打磨工件表面各个像素点对应的三维空间坐标值,并将所有像素点的三维空间坐标值汇总为所述表面点云数据;将所述表面点云数据输入至预设的点云拼接算法中,对多个不同视角对应的多组表面点云数据进行坐标变换和融合处理,生成所述打磨工件的完整三维表面模型。该方式能够从多视角完整还原工件表面形貌,点云拼接融合有效消除了单一视角的遮挡和盲区,使三维模型更加完整和准确。
4、特征提取模块用于通过预设的卷积神经网络对所述三维表面模型进行特征提取,获取所述三维表面模型的打磨区域特征和障碍区域特征。优选的,特征提取模块将所述三维表面模型转换为多张不同视角下的二维深度投影图,并将所述二维深度投影图输入至所述预设的卷积神经网络中;通过所述卷积神经网络中的多个卷积层对所述二维深度投影图进行逐层卷积运算,提取所述二维深度投影图中的边缘特征和纹理特征;通过所述卷积神经网络中的池化层对提取到的所述边缘特征和所述纹理特征进行降维处理,获得降维后的抽象特征图;通过所述卷积神经网络中的全连接层对所述抽象特征图进行分类识别,从所述抽象特征图中区分出所述打磨工件表面的打磨区域对应的第一类特征和障碍区域对应的第二类特征,并将所述第一类特征作为所述打磨区域特征,将所述第二类特征作为所述障碍区域特征。通过将三维模型转化为二维深度投影图并利用卷积神经网络进行处理,能够快速、准确地识别出工件的待打磨表面与不可触碰的障碍物,为安全轨迹规划提供可靠依据。
5、轨迹生成模块用于根据所述打磨区域特征和所述障碍区域特征,在所述三维表面模型上划分出可打磨区域和避障区域,并生成所述可打磨区域的初始打磨轨迹。优选的,轨迹生成模块根据所述打磨区域特征在所述三维表面模型上标记出所有待打磨的子区域,并将所有所述待打磨的子区域合并为所述可打磨区域;根据所述障碍区域特征在所述三维表面模型上标记出所有禁止触碰的障碍子区域,并将所有所述障碍子区域合并为所述避障区域;在所述可打磨区域内随机选取多个路径关键点,并采用预设的蚁群优化算法对多个所述路径关键点进行迭代搜索,规划出从打磨起始点至打磨终止点且绕过所述避障区域的最优路径;将所述最优路径按照预设的插补周期进行离散化处理,生成由多个离散路径点组成的所述初始打磨轨迹。这样生成的初始打磨轨迹在覆盖全部可打磨区域的同时能够自主避开障碍区域,蚁群优化算法保证了路径的全局最优性和平滑度,利于机器人平稳执行。
6、位姿比较模块用于实时获取所述打磨机器人的末端执行器的位姿数据,并将所述末端执行器的位姿数据与所述初始打磨轨迹进行比对,计算所述末端执行器与所述初始打磨轨迹之间的位姿偏差量。优选的,位姿比较模块通过安装在所述打磨机器人各关节处的角度编码器实时采集各关节的关节角数据,并根据所述关节角数据通过正向运动学计算获得所述末端执行器在当前时刻的实际空间位置和实际空间姿态;从所述初始打磨轨迹中提取与当前时刻相对应的期望轨迹点,并读取所述期望轨迹点对应的期望空间位置和期望空间姿态;计算所述实际空间位置与所述期望空间位置之间的位置偏差向量,并计算所述实际空间姿态与所述期望空间姿态之间的姿态偏差矩阵;将所述位置偏差向量和所述姿态偏差矩阵合并为所述位姿偏差量。更进一步的,位姿比较模块从各关节处的所述角度编码器分别读取对应关节的当前关节角数值,并将所有关节的当前关节角数值汇总为当前关节角向量;读取所述打磨机器人的连杆参数,并根据所述连杆参数建立各连杆之间的齐次变换矩阵;从基座坐标系开始,将各连杆对应的所述齐次变换矩阵依次相乘,获得从基座坐标系到末端执行器所在坐标系的总体变换矩阵;从所述总体变换矩阵中提取平移分量作为所述实际空间位置,并从所述总体变换矩阵中提取旋转分量作为所述实际空间姿态。通过实时获取关节角并利用正运动学计算末端位姿,能够精准捕捉实际运动状态,与期望轨迹进行比对得到偏差量,为后续的补偿控制提供准确输入。
7、滑模控制模块用于根据所述位姿偏差量,通过预设的滑模变结构控制算法调整所述末端执行器的运动参数,并基于调整后的运动参数控制所述打磨机器人沿所述初始打磨轨迹运动,以及对所述打磨工件进行打磨作业。优选的,滑模控制模块根据所述位姿偏差量构建滑模面函数,并计算所述滑模面函数的导数,以及根据所述滑模面函数的导数确定趋近律;根据所述滑模面函数和所述趋近律计算所述打磨机器人的关节控制力矩,并将所述关节控制力矩作为所述运动参数;将所述关节控制力矩发送至所述打磨机器人的关节伺服驱动器,由所述关节伺服驱动器根据所述关节控制力矩驱动各关节转动,以调整所述末端执行器的实际运动轨迹,使所述实际运动轨迹收敛至所述初始打磨轨迹;在所述末端执行器沿所述初始打磨轨迹运动的过程中,控制所述末端执行器按照预设的打磨压力对所述打磨工件的表面进行打磨作业。该滑模变结构控制方式对系统参数摄动和外部扰动具有强鲁棒性,能够快速消除位姿偏差,保证打磨轨迹的精确跟踪。
8、作为优选的实施方式,滑模控制模块将所述位姿偏差量中的位置偏差向量和姿态偏差矩阵分别转换为位置偏差标量和姿态偏差标量,并将所述位置偏差标量和所述姿态偏差标量组合为偏差向量;对所述偏差向量进行微分运算,获得偏差变化率向量,并根据所述偏差向量和所述偏差变化率向量,按照预设的滑模面方程构建所述滑模面函数;对所述滑模面函数进行求导运算,获得所述滑模面函数的导函数表达式;根据所述导函数表达式,采用等速趋近律方式确定趋近律参数,并将所述趋近律参数代入预设的趋近律方程中,获得所述滑模面函数对应的趋近律。进一步的,滑模控制模块根据所述打磨机器人的动力学模型,计算所述打磨机器人在当前关节角下的惯性矩阵和科氏力矩阵;根据所述滑模面函数和所述趋近律,结合所述惯性矩阵和所述科氏力矩阵,通过预设的力矩控制律方程计算获得各关节的初始控制力矩;对所述初始控制力矩进行饱和约束处理,将超过各关节额定力矩限值的初始控制力矩截断至对应的额定力矩限值内,获得所述关节控制力矩;将所述关节控制力矩按照各关节的编号进行打包,生成包含各关节力矩值的力矩控制指令,并将所述力矩控制指令作为所述运动参数。将所述力矩控制指令通过工业以太网发送至各关节对应的所述关节伺服驱动器,各关节对应的所述关节伺服驱动器从所述力矩控制指令中解析出对应关节的力矩值;各关节对应的所述关节伺服驱动器根据解析出的所述力矩值,通过内部的电流环调节器计算对应的驱动电流值,并将所述驱动电流值输出至对应关节的伺服电机;各关节的所述伺服电机根据接收到的所述驱动电流值输出对应的实际转矩,以驱动对应关节按照所述关节控制力矩所指示的方向和大小进行转动;各关节转动后带动所述末端执行器的实际空间位置和实际空间姿态发生改变,通过实时闭环反馈使所述末端执行器的实际运动轨迹逐步逼近并收敛至所述初始打磨轨迹。该闭环控制架构结合滑模趋近律和动力学前馈补偿,既能保证轨迹收敛的快速性,又通过饱和约束保护关节驱动单元,从而在复杂打磨作业中实现高精度、高安全性的轨迹跟踪。
9、综上所述,本发明的控制系统通过视觉建模与卷积神经网络特征提取实现了打磨区域与障碍区域的自动辨识,借助蚁群优化生成平滑避障的初始打磨轨迹,进而采用实时位姿比对和滑模变结构控制对末端执行器进行在线闭环补偿,有效克服了工件形位误差、机器人运动扰动等不利因素影响,显著提升了打磨机器人的自主作业能力、轨迹跟踪精度和打磨质量。
10、在上述技术方案中,本发明提供的技术效果和优点:
11、通过双目视觉传感器采集打磨工件表面的点云数据构建三维表面模型,再将三维表面模型转换为多张不同视角下的二维深度投影图,输入预设的卷积神经网络中,由卷积层逐层提取边缘特征和纹理特征,经池化层降维获得抽象特征图,最终通过全连接层从抽象特征图中分类识别出打磨区域特征和障碍区域特征。这一方式将三维空间中的区域识别问题转化为二维图像分类问题,利用卷积神经网络对边缘、纹理等视觉特征的自动提取能力,从工件表面各类特征中区分出待打磨区域与禁止触碰的障碍区域,无需人工逐一判读工件表面特征,减少了对操作人员经验的依赖。在识别出打磨区域特征和障碍区域特征后,在三维表面模型上分别标记并合并出可打磨区域和避障区域,并在可打磨区域内选取路径关键点,采用蚁群优化算法迭代搜索出绕过避障区域的最优路径,最终离散化生成初始打磨轨迹,实现了打磨区域与障碍区域的自动划分以及避障路径的自动生成。
12、实时获取末端执行器位姿数据并与初始打磨轨迹比对得到位姿偏差量后,将位姿偏差量中的位置偏差向量和姿态偏差矩阵组合为偏差向量并进行微分运算获得偏差变化率向量,依据偏差向量和偏差变化率向量构建滑模面函数,求导后采用等速趋近律方式确定趋近律参数并代入趋近律方程得到滑模面函数对应的趋近律,再结合打磨机器人动力学模型中的惯性矩阵和科氏力矩阵,通过力矩控制律方程计算各关节初始控制力矩,经饱和约束处理后得到关节控制力矩并发送至各关节伺服驱动器。滑模变结构控制使得系统状态一旦进入滑模面便对满足匹配条件的参数摄动和外部扰动具有完全不变性,在末端执行器受到打磨反力波动、关节摩擦变化等不确定扰动时,控制律强制状态向滑模面运动并沿滑模面滑动直至收敛,末端执行器的实际运动轨迹可逐步逼近并收敛至初始打磨轨迹,相比于常规线性控制方法,提升了复杂扰动环境下的轨迹跟踪鲁棒性。
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