基于视觉的吊装机器人卷扬随动控制研究

海洋浪涌对海洋物流吊装机械工作安全及可靠性有很大的影响。目前海浪运动补偿多基于IMU或MRU等船舶专用传感器,其成本较高。采用组合标识,提出基于视觉的吊装机器人卷扬随动控制方法。首先,对机械臂进行运动学分析以及手眼标定,采用视觉标识对复杂环境下的目标进行检测,采用主方向定位以及DLT算法对标识进行定位;然后通过建立卷扬系统模型,在速度环上采用伪微分反馈复合控制算法,使用基于双S形曲线运动规划加减算法进行目标运动跟踪、路径重规划,并采用加减速方法生成运动轨迹。通过搭建试验平台,模拟海上工作环境并进行静态目标和动态目标跟随试验,验证了卷扬升降控制的可行性以及随动控制策略的有效性。     

机器人智能化吊装技术研究

鉴于OpenPose进行肢体识别复杂度较高,提出基于TfPose完成人体骨架提取,并采用神经网络集成学习方法对吊装指令肢体信号进行识别,完成智能化吊装操作。首先,采用D-H法对吊装机器人进行正运动学分析,确定卷扬机构工作空间范围,并使用共形几何代数方法求解其逆运动学,完成吊装机器人从当前位置运动到目标位置的数学建模;然后,基于TfPose获取人体骨架向量和RGB骨架图,以BP神经网络和InceptionV3网络为基分类器,采用神经网络集成学习方法确定最优化权重,完成吊装指令肢体信号识别;最后,将识别的吊装指令肢体信号通过UDP通信传送给吊装机器人控制模块,以完成吊装操作。实验结果表明,该方法平均肢体识别精度达0. 977,提高了吊装效率。     

基于立体视觉的遥操作机器人力感示教控制策略

为提高遥操作机器人的安全性和操作性能,利用人类对力觉信息更敏感的特点和视觉特有的“预测与导引”功能,将视觉对现场环境的认知结果以虚拟力(包括作业对象引力、障碍物斥力)的方式同操作者的操纵力信号融合,提出遥操作机器人的力感示教控制策略.力感示教控制策略将机器智能与人类高级决策的优点相结合,可有效提高遥操作机器人的作业效率与局部自主,降低对操作者熟练程度的要求,以及避免大时延系统中由图像时滞导致的机器人操控盲目性.对该控制系统的体系结构、作业环境空间信息的提取、控制方法等进行了阐述,并通过实验验证了控制方法在提高遥操作机器人作业效率和安全性等方面的优越性.     

电液手控器型遥操作机器人力反馈控制策略

针对现有电动力反馈操纵装置存在刚度小、力效果不明显的问题,设计了电液伺服力反馈手控器。该手控器在水平方向上具有X、Y两个旋转自由度,每个自由度采用单独的伺服阀控液压马达驱动,空间运动互不干涉。综合传统的力反射伺服型和并列型双向伺服控制算法的优点,提出力/位置偏差复合型主从双向控制策略。以液压手控器为主手,四自由度工程机器人为从手,进行主从遥操作力反馈双向伺服试验研究。验证了力/位置偏差复合型控制算法能有效提高系统响应的快速性和稳定性。     

基于立体视觉的遥操作工程机器人自主作业系统

建立了基于立体视觉技术的遥操作工程机器人自主作业控制系统.采用立体视觉技术实现对目标物体的形状自动识别与空间定位,进行了遥操作工程机器人运动学方程求解、运动轨迹规划与控制的研究.针对液压伺服控制系统具有非线性、参数不确定的特点,设计了模糊控制器.最后,在遥操作工程机器人实验台上进行了自主作业控制实验.实验结果表明,所构建的基于立体视觉技术的工程机器人自主作业控制系统,能够完成初步的自主作业任务,且作业过程比较流畅.     

基于手控器触觉共享控制的主从遥操作

为了提高主从遥操作的效率和系统的安全性,设计了能够实现主从位移控制的手控器,构建了基于虚拟墙引导主动控制模型,通过融合操作者的人工控制和机器人的视觉引导,实现机器人遥操作中主从两端的信息共享和相互引导,对手控器和从端作业机器人进行控制。通过搭建基于共享控制策略的手控器-机器人系统实验平台,验证所设想控制方法的有效性,最终实现了提升主从遥操作的作业效率,减轻了机器人对环境的瞬间冲击,提高了系统的安全性。     

基于最优控制策略的复杂环境移动机器人轨迹规划

复杂环境下移动机器人轨迹规划由于障碍物放置杂乱且无规律,常常面临避障失败的问题。本文将机器人的轨迹规划归结为优化问题,提出了一种基于优化策略的轨迹规划方法。该方法包括3部分：首先,对优化问题的约束建模,包括机器人的运动学模型、变量极值约束、障碍物避碰模型;然后,建立优化求解策略,通过决策变量区间均分、内置插值点和基于拉格朗日多项式的变量描述方式进行离散化,针对离散化导致的约束失效对变量进行等距时间离散并建立惩罚函数,从而实现有效避障;最后,基于随机分形搜索算法对上述优化模型进行求解。仿真结果表明,本文所述方法可以有效解决移动机器人在复杂环境下的障碍物避碰问题。     

基于关键点预测的装配机器人工件视觉定位技术

针对目前装配机器人基于手工的特征检测易受光照条件、背景和遮挡等干扰因素的影响,而基于点云特征检测又依赖模型构建精度,本文采用深度学习的方式,对基于关键点预测的工件视觉定位技术展开研究。首先,采集工件各个角度的深度图像,计算得到工件的位姿信息,选取工件表面的关键点作为数据集。然后,构造工件表面关键点的向量场,与数据集一同进行深度训练,以实现前景点指向关键点的向量场预测。之后,将向量场中各像素指向同一关键点的方向向量每两个划分为一组,取其向量交点生成关键点的假设,并基于RANSAC的投票对所有假设进行评价。使用EPnP求解器计算工件位姿,并生成工件的有向包围盒显示位姿估计结果。最后,通过实验验证了系统估计结果的准确性和鲁棒性。