接觸狀態(tài)感知下分揀機器人抓取過程多參數(shù)挖掘控制技術(shù)

張鵬偉, 李學威

(周口職業(yè)技術(shù)學院 信息工程學院,河南 周口 466000,;E-mail: zhanghu54545@yeah.net)

分揀機器人是由傳感器、物鏡和電子光學系統(tǒng)組成的機器人,具備多種功能,能夠?qū)崿F(xiàn)對商品的快速分揀。隨著快遞物流行業(yè)的高速發(fā)展,大量貨物需要分揀,部分大型物流中心選擇采用分揀機器人代替人工分揀[1-2]。目前分揀機器人在控制方面技術(shù)不夠成熟,分揀機器人在分揀大型包裹時力量優(yōu)于人工,分揀小型包裹時機械臂精準度不足,易存在漏撿或掉落情況。若分揀機器人運送包裹至目標處時,受障礙物影響或其他原因可能導(dǎo)致機器人運行線路失誤[3]。因此,如何精確地控制分揀機器人是目前學術(shù)界的一個重要課題。

王敏等[4]采用改進的粒子群技術(shù)實現(xiàn)了食品分揀機器人的動態(tài)目標抓取控制。通過改進傳統(tǒng)粒子群,對食品分揀機器人動態(tài)目標抓取動作進行控制,雖有效提升分揀機器人的分揀效率,但分揀機器人對小目標食品進行抓取的效果還有上升的空間。董豪等[5]利用深度強化學習方法,實現(xiàn)了機器人的運動控制。采用深度強化學習算法,對機器人運動軌跡進行控制,雖然能夠使機器人運動軌跡穩(wěn)定,但機器人運行效率較低。

針對上述問題,提出了接觸狀態(tài)感知下分揀機器人抓取過程多參數(shù)挖掘控制技術(shù)。通過力傳感器獲取接觸狀態(tài)的信息,根據(jù)時間序列構(gòu)造數(shù)據(jù)集,并對不同的時間序列進行了離散化處理,利用模糊PID控制算法對分揀機器人進行控制,引入模糊隸屬度函數(shù)及模糊控制關(guān)聯(lián)規(guī)則,對關(guān)鍵參數(shù)進行挖掘,并將挖掘結(jié)果輸入到模糊PID控制器中,完成分揀機器人多參數(shù)群體挖掘控制。

1 接觸狀態(tài)感知下分揀機器人多參數(shù)選取

1.1 接觸狀態(tài)問題分析

在分揀機器人的控制過程中,由于貨物存在著復(fù)雜的結(jié)構(gòu)形狀和位置隨機分布等諸多因素,使其難以有效描述控制過程中的接觸狀態(tài)[6]。因此,通過力傳感器[7-8]來獲得接觸狀態(tài)的信息是實現(xiàn)分揀機器人控制的關(guān)鍵。

在t時刻,分揀機器人機械臂末端的接觸狀態(tài)為:

ζt=[FX,FY,FZ,εX,εY,εZ,X,Y,Z,ωt,ψt,υt]

(1)

式中:FX,FY,FZ分別表示分揀機器人機械臂末端在坐標X,Y,Z中的力;εX,εY,εZ分別表示在坐標X,Y,Z中,通過力傳感器獲取的分揀機器人機械臂末端操縱力矩,ωt,ψt,υt分別表示t時刻,分揀機器人機械臂末端接觸狀態(tài)的特征屬性。

在實際的分揀要求下,將分揀機器人控制與貨物之間的接觸過程視為一種接觸狀態(tài),也就是真實的接觸狀態(tài)是一個多變量的時間序列[9]。根據(jù)時間序列構(gòu)造數(shù)據(jù)集,對不同的時間序列進行了離散化,得到的接觸狀態(tài)Vi表示為:

Vi=[ζ1,ζ2,…,ζn],i=1,2,…,m

(2)

1.2 接觸狀態(tài)感知下分揀機器人多參數(shù)獲取

在上述接觸狀態(tài)描述下,將PID算法融入模糊控制,利用模糊PID控制算法[10-12]控制分揀機器人,分揀機器人控制總體結(jié)構(gòu)如圖1所示。

圖1 分揀機器人控制總體結(jié)構(gòu)

圖1的分揀機器人控制總體結(jié)構(gòu)中包括以下部分:

(1) PID控制利用比例參數(shù)、積分參數(shù)、微分參數(shù)對分揀機器人進行控制。

(2) 模糊控制即對PID控制的輸出增益K進行調(diào)整,增益K值是分揀機器人控制總體結(jié)構(gòu)穩(wěn)定的關(guān)鍵。PID算法是利用設(shè)定期望值與實際值間的誤差值對輸出量進行控制,直至實際值與設(shè)定期望值貼近為止。在接觸狀態(tài)感知下PID算法控制多參數(shù)表達式為:

(3)

公式(3)中:U為通過計算比例參數(shù)Kp、積分參數(shù)Ki及微分參數(shù)Kd獲取的被控制量,即分揀機器人控制多參數(shù);E為分揀機器人參數(shù)期望值與實際值間的誤差值;R為分揀機器人參數(shù)設(shè)定期望值,并輸入R至PID算法;用Y描述控制后分揀機器人參數(shù)的實際值;分別用Ti與Td描述積分參數(shù)Ki與微分參數(shù)Kd的時間常數(shù),轉(zhuǎn)換公式(1)為傳遞函數(shù)表達式:

(4)

公式(4)中:S為收集樣本周期。在接觸狀態(tài)感知下PID算法中,調(diào)整比例參數(shù)Kp、積分參數(shù)Ki和微分參數(shù)Kd是分揀機器人多參數(shù)群體挖掘控制的核心,輸出增益K值能夠影響分揀機器人控制總體結(jié)構(gòu)的穩(wěn)定性。

1.3 分揀機器人多參數(shù)群體關(guān)鍵參數(shù)挖掘控制

1.3.1 PID控制多參數(shù)輸出增益的模糊自整定

為使分揀機器人控制更加穩(wěn)定,減少多參數(shù)群體設(shè)定期望值的盲目性及隨機性,隨時對輸出增益K值進行調(diào)整。在接觸狀態(tài)感知下,PID算法控制多參數(shù)的基礎(chǔ)上,融入模糊控制,利用誤差及其變化率調(diào)整輸出增益K值,達到在接觸狀態(tài)感知下PID算法控制K值的模糊自整定。模糊控制對不易被構(gòu)建的模型或精準度差的模型進行控制時,控制優(yōu)勢明顯。

在Matlab軟件上設(shè)計Mamdani型模糊控制器[13],將誤差及其變化率傳送至輸入控制器,將融入模糊控制的PID控制K值傳送至輸出控制器。設(shè)定輸入和輸出的基礎(chǔ)論域是[-3,3];模糊論域是{-3,-2,-1,0,1,2,3};模糊語言子集是{負大NB、負中NM、負小NS、零ZO、正小PS、正中PM、正大PB},依據(jù)輸入與輸出的變量,獲取對應(yīng)的隸屬度函數(shù)。

模糊控制規(guī)則通常由專家知識庫及實踐結(jié)合組成,如表1所示。

表1 模糊控制規(guī)則

通過表1模糊控制規(guī)則,獲取PID多參數(shù)輸出增益的模糊自整定標準為:在分揀機器人控制過程中,若誤差值高,則通過增加K值提升分揀機器人控制速度與控制時間;若誤差值低,則通過減少K值,調(diào)整誤差,使分揀機器人狀態(tài)穩(wěn)定。

1.3.2 模糊C均值聚類的多參數(shù)群體挖掘控制

將模糊隸屬度函數(shù)及模糊控制關(guān)聯(lián)規(guī)則引入至聚類分析內(nèi),即模糊C均值聚類算法[14-16]。設(shè)置模糊隸屬度函數(shù)矩陣為A,其中行與列分別用m與n描述。任意參數(shù)i屬于某一簇j的長度用Aij(Aij∈[0,1],i=1,2,…,m;j=1,2,…,n)值描述,此過程為模糊劃分,模糊隸屬度函數(shù)矩陣A所需要符合條件的表達式為:

(5)

設(shè)置X=(x1,x2,…,xm)為待聚類數(shù)據(jù)集,xi為待聚類數(shù)據(jù)對象,模糊劃分數(shù)據(jù)集為n類。將歐式距離作為聚類效果衡量標準,獲取目標函數(shù)為:

(6)

公式(6)中,z為模糊加權(quán)指數(shù),vj為j次模糊劃分獲取的聚類中心。

依據(jù)拉格朗日乘數(shù)法及公式(3)求導(dǎo),獲取表達式為:

(7)

結(jié)合并擴展模糊C均值聚類的模糊關(guān)聯(lián)規(guī)則,實現(xiàn)分揀機器人多參數(shù)群體挖掘控制步驟為:

(1) 依據(jù)模糊C均值聚類,挖掘模糊PID控制多參數(shù)群體中的模糊關(guān)聯(lián)規(guī)則,輸入分揀機器人多參數(shù)群體等待挖掘,獲取符合約束條件的支持度與信任度最小值,關(guān)聯(lián)規(guī)則參考A&B?C,其中A、B、C代表分類屬性。

(2) 通過專家知識庫及實踐,結(jié)合建立相關(guān)多參數(shù)群體,將其與分揀機器人相關(guān)的A、B、C模糊數(shù)據(jù),與具備的全部可能組合代入關(guān)聯(lián)規(guī)則A&B?C,模糊查詢并挖掘其模糊關(guān)聯(lián)規(guī)則。

(3) 輸出分揀機器人多參數(shù)群體挖掘結(jié)果至分揀機器人控制的模糊PID控制器中,由此實現(xiàn)分揀機器人多參數(shù)群體挖掘控制。

2 實驗分析

2.1 實驗環(huán)境與多參數(shù)選取

為驗證接觸狀態(tài)感知下分揀機器人多參數(shù)群體挖掘控制方法的有效性,將所提方法應(yīng)用于某物流中心,抽取該物流中心編號1至編號10分揀機器人進行分揀控制實驗。為避免隨機性對控制結(jié)果的影響,在所提方法控制下通過10個分揀機器人完成該物流中心部分貨物分揀。10個機器人均為協(xié)作機器人,驅(qū)動方式為雙輪差速,最大載重量為30 kg,機器人關(guān)節(jié)數(shù)量為6個,關(guān)節(jié)長度為0.5 m,機械臂質(zhì)量為1.5 kg。對該環(huán)境仿真:

① 下載并安裝MATLAB里的 Robotic機器人工具箱。

② 編寫機器人位姿運動學方程,即給定關(guān)節(jié)變量,求解機器人末端相對于基坐標的齊次變換矩陣。并在此基礎(chǔ)上,用工具箱里的命令fkine驗證程序的正確性。

③ 編寫機器人速度運動學中求解雅克比矩陣的程序,并在此基礎(chǔ)上,用工具箱里的命令jacob0驗證程序的正確性。

④ 使用機器人工具箱建立機器人連桿模型,并在此基礎(chǔ)上,繪制機器人工作空間,分揀機器人仿真圖如圖2所示。

圖2 分揀機器人仿真圖

為驗證所提方法采用模糊C均值聚類算法實現(xiàn)多參數(shù)群體挖掘控制有效性,統(tǒng)計不同模糊加權(quán)指數(shù)時,采用所提方法進行多參數(shù)群體挖掘的調(diào)整蘭德系數(shù),調(diào)整蘭德系數(shù)通過優(yōu)化蘭德系數(shù),可有效解除蘭德系數(shù)在評估時受隨機標簽的限制。結(jié)合模糊C均值聚類算法與實際標簽,設(shè)置X={X1,X2,…,Xi}為通過聚類獲取的簇集;Y={Y1,Y2,…,Yj}為依據(jù)實際標簽更新后的聚類結(jié)果集,則調(diào)整蘭德系數(shù)表達式為:

(8)

公式(8)中,nij為Xi和Yj交集處的樣本個數(shù),即nij=|Xi∩Yj|,ai為Xi的樣本個數(shù),bj為Yj的樣本個數(shù)。ARI的閾值是[-1,1],且ARI值越高,聚類效果就越好,多參數(shù)環(huán)境及調(diào)整蘭德系數(shù)如圖3、圖4所示。

圖3 多參數(shù)機器人控制環(huán)境仿真圖

圖4 多參數(shù)群體挖掘的調(diào)整蘭德系數(shù)

通過圖4實驗結(jié)果可以看出,當模糊加權(quán)指數(shù)為0.5時,所提方法調(diào)整蘭德系數(shù)均高于0.9;當模糊加權(quán)指數(shù)為0.3以及0.7時,所提方法調(diào)整蘭德系數(shù)處于0.7-0.85之間。由此可知,所提方法采用模糊C均值聚類算法實現(xiàn)多參數(shù)群體挖掘控制時,模糊加權(quán)指數(shù)為0.5,具有最優(yōu)的挖掘性能,為分揀機器人的精準控制提供基礎(chǔ)。

2.2 實驗結(jié)果統(tǒng)計與分析

采用所提方法控制10個分揀機器人完成897個物流包裹的分揀,在物流中心的貨物分揀狀況如圖5所示。

圖5 分揀機器人分揀界面圖

通過圖5實驗結(jié)果可以看出,采用所提方法對分揀機器人進行控制,分揀機器人可以依據(jù)設(shè)定的分揀目標,自動分揀目標包裹。物流中心的10個分揀機器人在五個區(qū)域內(nèi)分揀包裹總數(shù)量為897個,與設(shè)定的包裹分揀數(shù)量相同。由此可知,所提方法未出現(xiàn)誤分揀情況,各區(qū)域出件數(shù)量精準,表明所提方法的分揀機器人控制效果良好。

2.2.1 移動距離

為進一步驗證采用所提方法控制分揀機器人移動狀態(tài)下的控制性能,統(tǒng)計分揀機器人跨區(qū)域分揀時的目標距離與機器人實際移動距離,實驗結(jié)果如圖6所示。

圖6 分揀機器人移動距離對比

通過圖6實驗結(jié)果可以看出,采用所提方法控制分揀機器人的實際移動距離與目標距離的吻合度較高,驗證所提方法可以有效控制分揀機器人,令分揀機器人移動至目標位置。由此可知,所提方法具有較高的分揀機器人控制精度,保證分揀機器人在遠距離包裹分揀中良好運行。

2.2.2 運動軌跡控制

在此基礎(chǔ)上,驗證所提方法對分揀機器人機械臂控制情況,實驗在物流中心分揀過程中,記錄分揀機器人機械臂的期望與實際運動軌跡,實驗結(jié)果如圖7所示。

根據(jù)圖7實驗結(jié)果可以看出,采用所提方法控制分揀機器人機械臂,可以依據(jù)期望運動軌跡控制分揀機器人機械臂。分揀機器人在分揀包裹時,機械臂輸出的運動軌跡與期望運動軌跡相差較小,驗證所提方法具有良好的分揀機器人控制性能。

2.2.3 避障誤差

為驗證采用所提方法控制分揀機器人的準確性,實驗在物流中心五個區(qū)域內(nèi)設(shè)置不同類型障礙物,觀察分揀機器人在運行過程中,對障礙物的避障誤差,實驗結(jié)果如圖8所示。

圖8 分揀機器人避障誤差

通過圖8實驗結(jié)果可以看出,采用所提方法控制分揀機器人,其在X軸、Y軸、Z軸坐標位置的避障誤差均低于1 mm,由此驗證了所提方法具有較高的分揀機器人控制精度,應(yīng)用于物流中心的包裹分揀時,具有良好的避障應(yīng)用性能。

2.2.4 分揀動作控制

進一步驗證采用所提方法控制分揀機器人在分揀小件包裹時的有效性,實驗對物流中心的10臺分揀機器人進行不同次數(shù)的分揀測試,分別測試分揀機器人在分揀小件包裹時,抓取、抬起與松開三種動作的實際控制結(jié)果,統(tǒng)計結(jié)果如表2所示。

表2 分揀機器人分揀動作控制結(jié)果

通過表2實驗結(jié)果可以看出,采用所提方法控制分揀機器人,僅存在少量的動作失敗情況,能夠良好地完成分揀包裹所需的抓取、抬起與松開動作,分揀失敗次數(shù)均低于0.5%。再次驗證了所提方法控制分揀機器人動作有效性。

2.2.5 抓取速率

統(tǒng)計采用所提方法控制分揀機器人在不同傳送帶速度時的抓取速率,統(tǒng)計結(jié)果如圖9所示。

圖9 分揀機器人抓取速率

觀察圖9實驗結(jié)果可以看出,分揀機器人的抓取速率隨傳送帶速度升高而提升,采用所提方法對分揀機器人進行控制,在不同傳送帶速度時的抓取速率均高于1.5個/s,表明通過所提方法控制分揀機器人的抓取速率較高,為提升物流中心的分揀效率提供良好的基礎(chǔ)。

3 結(jié)論

為有效控制分揀機器人,提升分揀機器人分揀效率及穩(wěn)定性,提出了接觸狀態(tài)感知下分揀機器人多參數(shù)群體挖掘控制方法。根據(jù)分揀機器人機械臂末端的接觸狀態(tài),獲取接觸狀態(tài)感知下分揀機器人多參數(shù)。通過模糊控制方法對PID控制多參數(shù)的輸出增益實施模糊自整定,并選取模糊C均值聚類方法,挖掘模糊PID控制多參數(shù)群體中的模糊關(guān)聯(lián)規(guī)則,實現(xiàn)分揀機器人多參數(shù)群體挖掘控制。通過實驗驗證,所提方法能夠控制分揀機器人抓取、抬起,松開等動作,且分揀機器人抓取速率高,精準程度良好。