基于機器視覺檢測的焊接雙臂協(xié)作機器人變質(zhì)心補償控制方法

中圖分類號：TB9;TP242 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-5124（2025）06-0089-08

Control method of metamorphic center compensation for welding dual-arm cooperativerobotbased on machine vision detection

LI Jing'，YUAN Yunmei1，QIN Lixia'，DUO Huaqiong2 （1.School ofInformation Engineering，Shanxi CollgeofApplied Science and Technology，Taiyuan O30062，China; 2. School of Materials Science and Art Design， Inner Mongolia Agricultural University， Hohhot Olo018， China）

Abstract： The spoilage center compensation control method of welding two-arm cooperative robot based on machine vision detection was studied to improve the tracking accuracy of welding operation and ensure the welding quality.The welding images of target robots were collected by machine vision detection method. After removing the noise in such images with non-local mean algorithm，high-quality machine vision inspection robot images were obtained by segmentation. The basic dynamics model of the target robot was built based on such images，and the metamorphic core model was established. An adaptive sliding mode controller is designed based on the metamorphic core model to compensate and control the metamorphic core in robot welding. The results show that the machine vision image obtained by this method has high quality and good rendering effect. After compensating and controling the spoilage core in the welding operation of the experimental robot， the robot can accurately track the different directions of the mobile platform to ensure the overall welding quality. Keywords： machine vision inspection; work with both arms; welding robot; metamorphic center compensation; non-local mean; sliding mode controller

0 引言

隨著智能機器人的不斷發(fā)展，當(dāng)前越來越多領(lǐng)域內(nèi)應(yīng)用到智能機器人。焊接雙臂協(xié)作機器人作為一種較為新穎的智能焊接機器人，可實現(xiàn)自動化焊接任務(wù)[1]。通常此類焊接機器人作業(yè)時會搭載移動平臺，焊接時移動平臺會依據(jù)焊接需求運動，由此會導(dǎo)致機器人的質(zhì)心出現(xiàn)改變，對機器人焊接作業(yè)過程的精度與平穩(wěn)性存在一定程度的影響，無法有效保障機器人的整體焊接質(zhì)量[2-4]。為改善此類問題，需針對此類焊接機器人研究一種恰當(dāng)?shù)淖冑|(zhì)心補償控制方法，以此保證其焊接質(zhì)量。

但目前針對此方面的研究尚少，大部分研究均是針對其他領(lǐng)域作業(yè)機器人的運動軌跡實施控制。如曾培江等人[4提出一種基于雙觀測器的機器人自適應(yīng)摩擦補償控制方法，基于機器人的動力學(xué)模型，構(gòu)建機器人的運動方程，將機器人的摩擦力進(jìn)行建模，包括靜摩擦力和動摩擦力，設(shè)計兩個觀測器，分別用來估計機器人的狀態(tài)和摩擦力，采用自適應(yīng)控制器，結(jié)合雙觀測器，實現(xiàn)機器人的自適摩擦補償控制，此方法能夠有效提升摩擦補償控制效果，但是算法較為復(fù)雜，補償耗時過長。付曉東等人[5]所研究的一種針對機器人運動精度的控制方法，該方法所研究對象為全彈性平面作業(yè)機器人，通過構(gòu)建該機器人的各部分動力學(xué)模型，同時結(jié)合有限維重復(fù)學(xué)習(xí)控制算法，對該機器人的運動精度實施控制，此方法構(gòu)建機器人動力學(xué)模型過程較為復(fù)雜，且最終控制精度不夠穩(wěn)定；由韓江等人[針對并聯(lián)機器人研究了一種運動軌跡跟蹤控制方法，該方法通過分割目標(biāo)機器人為多個不具約束的開鏈子系統(tǒng)，并結(jié)合拉格朗日算法得出所分割不同子系統(tǒng)的動力學(xué)模型，在此基礎(chǔ)上，運用Udwadia-Kalaba技術(shù)設(shè)計并聯(lián)機器人的整體運動模型，依據(jù)所設(shè)計的運動模型，建立運動軌跡跟蹤控制器，完成對目標(biāo)機器人運動軌跡的跟蹤控制，此方法的控制精度較好，但整體過程過于繁瑣，實際應(yīng)用性不高。Abe等人[7]提出一種跳躍機器人相位控制的非線性動力學(xué)補償方法，利用擾動觀測器將機器人動力學(xué)命名為所需的彈簧質(zhì)量系統(tǒng)，通過擾動觀測器來抑制包括非線性項的擾動，通過添加所需的虛擬彈性力，將機器人動力學(xué)命名為所需的彈簧-質(zhì)量系統(tǒng)，基于名義化彈簧質(zhì)量動力學(xué)，實現(xiàn)了利用能量相位控制的跳躍高度控制。此方法能夠?qū)崿F(xiàn)能量/相位的同步控制，但是控制耗時過長。

機器視覺檢測技術(shù)屬于一種交叉學(xué)科技術(shù)，其主要包含模式識別、圖像處理、計算機科學(xué)以及人工智能等若干領(lǐng)域，其主要優(yōu)點為高信息量、多功能及高效率等[8]。該技術(shù)是通過對人眼功能實施模擬，獲取客觀事物的真實圖像信息，并對其實施相應(yīng)處理，同時將所得最終結(jié)果實際運用于不同領(lǐng)域的非接觸式測量技術(shù)[9]。自適應(yīng)滑模控制屬于一類變結(jié)構(gòu)控制技術(shù)，該技術(shù)能夠?qū)崿F(xiàn)非線性動態(tài)控制，其主要特點包括簡單易實現(xiàn)、受參數(shù)變化影響小、響應(yīng)效率高等[10-11]。

綜合以上分析，本文結(jié)合機器視覺檢測與自適應(yīng)滑?？刂苾煞N技術(shù)，設(shè)計一種針對焊接雙臂協(xié)作機器人的變質(zhì)心補償控制方法，實時動態(tài)精準(zhǔn)補償控制目標(biāo)機器人焊接作業(yè)中的變質(zhì)心，提高其焊接作業(yè)追蹤精度，保障整體焊接質(zhì)量。

1焊接雙臂協(xié)作機器人變質(zhì)心補償控制方法

本文基于機器視覺檢測方法，設(shè)計焊接雙臂協(xié)作機器人變質(zhì)心補償控制方法，該方法主要包括機器視覺檢測目標(biāo)機器人作業(yè)圖像處理、機器人變質(zhì)心模型構(gòu)建以及機器人變質(zhì)心補償控制三部分。其中，機器視覺檢測中所用到的相機為工業(yè)相機，通過該相機實時采集目標(biāo)機器人作業(yè)圖像，對所采集的此類圖像實施降噪與分割處理后，得到高質(zhì)量機器視覺檢測目標(biāo)機器人作業(yè)圖像；運用此類圖像創(chuàng)建目標(biāo)機器人作業(yè)中的基礎(chǔ)動力學(xué)模型，并依據(jù)此模型生成機器人變質(zhì)心模型；結(jié)合該模型設(shè)計自適應(yīng)滑?？刂破骷捌淇刂坡?，實現(xiàn)對目標(biāo)機器人焊接作業(yè)中變質(zhì)心的補充控制，保障焊接雙臂協(xié)作機器人的焊接作業(yè)質(zhì)量。

1.1機器視覺檢測焊接雙臂作業(yè)圖像處理

1.1.1 機器人作業(yè)圖像去噪處理

設(shè)經(jīng)機器視覺檢測所得的目標(biāo)機器人基礎(chǔ)作業(yè)圖像通過A表示，且 A=B+S ，其中，S與 B 分別表示基礎(chǔ)作業(yè)圖像的高斯噪聲與初始未失真作業(yè)圖像，且此類高斯噪聲S的標(biāo)準(zhǔn)差通過 μ 表示[12]。另設(shè)基礎(chǔ)作業(yè)圖像A的寬度通過l表示，其高度則通過h表示；該圖像中將 j 與 k 作為中心點的兩組噪聲鄰域塊分別通過 A₁ 與 A₂ 表示；初始未失真作業(yè)圖像 B 中的第 j 個與第 k 個像素點的灰度值分別通過 B（j） 與 B（k） 表示，其中，此二像素點的相似性權(quán)重通過 w_1，2 表示；非局部均值算法去噪處理后的目標(biāo)機器人作業(yè)圖像通過 B₁ 表示。就隨機像素點 j 而言，有 j=（j₁，j₂）∈J 基礎(chǔ)作業(yè)圖像 A 內(nèi)全部同像素點 j 存在相似鄰域結(jié)構(gòu)的像素點的加權(quán)平均則通過 B₁（j） 表示，它的運算方程為：

式中： δ? ——濾波參數(shù)； -歸一化因子，同時 M -全部像素點的數(shù)量；U_j 搜索窗;j? ——搜索窗的中心點；D（j，k） 噪聲鄰域塊 A₁ 與 A₂ 的高斯加權(quán)歐式距離平方。

D（j，k） 的運算式為：

其中，高斯核通過 G₁（q） 表示，其中其標(biāo)準(zhǔn)差通過 ε 表示；半徑為 L 的鄰域塊通過 Q 表示，且 Q= {（q₁，q₂）||q₁|?L，|q₂|?L} ；此類鄰域塊的總數(shù)量通過N 表示。

1.1.2 機器人作業(yè)圖像分割處理

設(shè)圖像的分割閾值通過 ? 表示，去噪后目標(biāo)機器人作業(yè)圖像 B₁ 內(nèi)灰度值比該閾值低的部分為背景區(qū)域，高的部分即為目標(biāo)區(qū)域。可設(shè)定圖像 B₁ 的

熵值為：

其中，像素灰度值出現(xiàn)低于或高于分割閾值的概率通過 p（x） 表示，且 p（x）=m₁/M ，其中， m₁ 表示出現(xiàn)該情況的像素數(shù)量。目標(biāo)區(qū)域與背景區(qū)域的熵值可分別表示成：

通過運算目標(biāo)區(qū)域與背景區(qū)域的熵值總和，得出圖像 B₁ 的熵值，即：

H=H₁（?）+H₂（?）

結(jié)合最大熵法理論得知，所設(shè)定的圖像分割閾值 ? 需令 H 為最高值，即 ?=argmax（H） 。以此為依據(jù)設(shè)定出恰當(dāng)?shù)姆指铋撝?? ，實現(xiàn)去噪后目標(biāo)機器人作業(yè)圖像 B₁ 的分割處理，獲得高質(zhì)量作業(yè)圖像。

1.2作業(yè)圖像的變質(zhì)心模型構(gòu)建

在目標(biāo)機器人焊接作業(yè)時，所搭載移動平臺會依據(jù)焊接需求移動，此移動會令機器人的質(zhì)心出現(xiàn)改變。為保障機器人的焊接作業(yè)質(zhì)量，需對機器人的此類變質(zhì)心實施補償控制。此部分依據(jù)上述所獲得的高質(zhì)量機器視覺檢測機器人作業(yè)圖像，構(gòu)建目標(biāo)機器人的基礎(chǔ)動力學(xué)模型，并結(jié)合該模型生成其變質(zhì)心模型，為變質(zhì)心補償控制奠定基礎(chǔ)。

目標(biāo)機器人所搭載的3自由度移動平臺主要包括直流電機與X、Y、Z三個方向的直線導(dǎo)軌，能夠完成各種焊接任務(wù)。分別在Y方向?qū)к壻|(zhì)心與機器人本體質(zhì)心上創(chuàng)建3自由度移動平臺坐標(biāo)系與機器人本體坐標(biāo)系，二者分別通過 {E₂} 與 {E₁} 表示，另創(chuàng)建一個同大地相連的大地坐標(biāo)系，通過 {E₃} 表示。其中，Y方向直線導(dǎo)軌順著機器人本地坐標(biāo)系 {E₁} 中的y₁ 軸，連接至機器人本體上，平臺坐標(biāo)系 {E₂} 的坐標(biāo)原點選定為Y方向?qū)к壍馁|(zhì)心。則目標(biāo)機器人的基礎(chǔ)動力學(xué)模型為：

其中，由向目標(biāo)機器人所作用的外力及外力矩共同組成的向量通過 τ 表示；目標(biāo)機器人的基礎(chǔ)質(zhì)量矩陣通過 R₁ 表示；其基礎(chǔ)科氏力和向心力矩陣通過R₄（V） 表示，其中， V 代表 {E₁} 中目標(biāo)機器人的角、線速度組成的向量；目標(biāo)機器人的加速度通過V表示。向量 τ 還可表示成 τ=τ₁+τ₂+τ₃ ，其中，目標(biāo)機器人的重力與其力矩通過 τ₃ 表示；向其所作用的動力與其力矩通過 τ₂ 表示；推進(jìn)器的推動力與其力矩通過τ₁ 表示。

設(shè) {E₁} 中Y方向?qū)к壻|(zhì)心坐標(biāo)為 o₁=[r₁₁，r₂₁，r₃₁]° {E₂} 內(nèi) X 方向?qū)к壍淖鴺?biāo)表示成：

o₂=[0，Y-（η₁/2），（η₂+η₃）/2]

其中，Y方向?qū)к夗樦?y₂ 的尺寸通過 η₁ 表示； X，Y 方向?qū)к夗樦?z₃ 方向的尺寸通過 η₂，η₃ 表示；Y方向?qū)к壍囊苿又噶钔ㄟ^Y表示。以此類推可得出 {E₂} 內(nèi)Z方向?qū)к壍淖鴺?biāo) o₃ ，則 {E₁} 中三個方向?qū)к壻|(zhì)心的坐標(biāo)為 o₄=o₅+o₆R₁ ，其中，由 {E₂} 至 {E₁} 下的旋轉(zhuǎn)變換矩陣通過 R₁ 表示。視三個方向?qū)к壐鳛橐粋€長方體，則繞三者質(zhì)心的剛體慣性當(dāng)量矩陣為：

其中，導(dǎo)軌順著 x₂ 的尺寸通過 η 表示；剛體質(zhì)量通過λ 表示。以平行軸原理為依據(jù)，可設(shè)定圍繞隨機點 p 的慣性當(dāng)量為：

R₂=R₃-pp₁λ+pp₁R_13×3λ

故三個方向?qū)к壍膽T性當(dāng)量為：

R₄=R₅-p₁（p₁）^Tλ+p₁（p₁）^TR_13×3λ

由此可得出 {E₁} 中 X，Z 方向?qū)к壻|(zhì)心的坐標(biāo) o₇ ）o₈ 與慣性當(dāng)量矩陣 R₄，R₆ ，則目標(biāo)機器人的慣性當(dāng)量可表示成：

R₁（T）=R₄（Y）+R₇+R₆（X，Y）+R₈

其中，目標(biāo)機器人的本體慣性當(dāng)量通過 R₈ 表示，該當(dāng)量值能夠通過其三維模型得出。故目標(biāo)機器人的質(zhì)心為：

式中， {E₁} 中目標(biāo)機器人的質(zhì)心坐標(biāo)通過 o_α 表示；目標(biāo)機器人本體的剛體質(zhì)量通過 λ 表示；三個方向?qū)к壍膭傮w質(zhì)量依次通過 λ₁，λ₂，λ₃ 表示。向式（6內(nèi)引入式（11）、（12），能夠?qū)⒛繕?biāo)機器人的慣性當(dāng)量矩陣得出，即為：

式中， 3×1 維向量的斜對稱矩陣通過操作符 T（?） 表

示。由此可得出科氏力與向心力矩陣 R₄（V，T） ，故目標(biāo)機器人的變質(zhì)心模型可表示成：

其中，目標(biāo)機器人恢復(fù)運動的恢復(fù)力矩陣通過τ（θ，T） 表示。 {E₁} 與 {E₃} 中目標(biāo)機器人的速度關(guān)聯(lián)式為：

其中，同目標(biāo)機器人姿態(tài)關(guān)聯(lián)的旋轉(zhuǎn)變換矩陣通過R₂（θ） 表示。求導(dǎo)公式（15）后可得出：

結(jié)合公式（15）、（16）能夠得出：

基于此，向公式（6內(nèi)引入公式（17）后，能夠?qū)E₃} 中目標(biāo)機器人的變質(zhì)心模型得出，即為：

1.3基于機器人變質(zhì)心模型的變質(zhì)心補償控制

運用上節(jié)所構(gòu)建的目標(biāo)機器人變質(zhì)心模型，設(shè)計自適應(yīng)滑模運動控制器，實現(xiàn)目標(biāo)機器人焊接作業(yè)過程中的變質(zhì)心補償控制，保障其作業(yè)質(zhì)量。依據(jù)公式（18）的目標(biāo)機器人變質(zhì)心模型，結(jié)合反步法建立自適應(yīng)滑模控制器，實現(xiàn)對目標(biāo)機器人焊接作業(yè)時，因移動平臺的移動導(dǎo)致其質(zhì)心變化的補償控制。將滑模面設(shè)定為 κ ，李雅普諾夫函數(shù)為u（κ，t）=κR₉κ/2 ，其中， t 代表時間變量。結(jié)合矩陣 R₁ 的特點，針對 ?κ ，有 κR₁κgt;0 ，故所選取函數(shù) u（κ，t） 也大于 0 。那么求導(dǎo)李雅普諾夫函數(shù)后有：

其中， 。則依據(jù)公式（18）能夠得出：

針對 ?κ ，有 κR₄κ=0 。故而：

向公式（19）內(nèi)引入公式（21）后，可得：

為控制器的滑模面 κ ?。?/p>

其中，目標(biāo)機器人的追蹤誤差通過 σ 表示，且σ=θ-θ₁ ，其導(dǎo)數(shù)通過 表示。設(shè)定 ，則滑模面可另表示成 。那么公式（22）可改

寫為：

向公式（24）內(nèi)引入公式（18）可得出：

其中，使 θ_o=R₂β_o ，則公式（25）可改寫成：

依據(jù)向量 τ 的組成式 τ=τ₁+τ₂+τ₃+τ₄ ，能夠?qū)⑺O(shè)計的自適應(yīng)滑?？刂破鞯目刂坡稍O(shè)定成：

其中，魯棒性調(diào)節(jié)系數(shù)通過 ω 表示， {E₁} 中Y方向?qū)к壻|(zhì)心坐標(biāo)中 y 軸坐標(biāo) r₁ 的調(diào)節(jié)系數(shù)通過 ψ 表示；控制器的輸出指令通過 τ₃ 表示；機器人變質(zhì)心模型的預(yù)估參數(shù)值通過：表示。經(jīng)由指數(shù)趨近律實現(xiàn)對控制器滑模面的靠近，則有：

其中，預(yù)估的參數(shù)值同實際值之間誤差的矩陣通過-表示。為了令 ，公式（28）中右側(cè)部分也應(yīng)不高于0。設(shè)向量·的第 j 個元素通過表示，且當(dāng)ζ?0 時， （R₂^-1κ）=ζ?0 ，那么：

故調(diào)節(jié)系數(shù) ！， ψ?0 相反當(dāng) ζ?0 時， （R₂^-1κ）=ζ?0 ，則：

則調(diào)節(jié)系數(shù) ， ψ?0 0基于此，結(jié)合公式（30）可得出：

當(dāng)調(diào)節(jié)系數(shù) ω，ψ 能夠符合公式（31）所設(shè)定條件時，那么便能夠保證針對 ?κ ，有 。則運用所設(shè)計的控制律，能夠?qū)崿F(xiàn)自適應(yīng)滑?？刂破鲗δ繕?biāo)機器人焊接作業(yè)中變質(zhì)心的全局性平穩(wěn)補償控制，保證目標(biāo)機器人的焊接作業(yè)質(zhì)量。

2 實驗結(jié)果分析

選取青島賽邦智能機器人有限公司生產(chǎn)的雙臂協(xié)作自動焊接機器人作為實驗對象，該機器人主要配備了焊接冷卻系統(tǒng)、計算機、焊接電源以及送絲機等。運用本文方法對該機器人焊接作業(yè)過程中的變質(zhì)心實施補償控制，通過實際補償控制結(jié)果，檢驗本文方法的實際應(yīng)用效果。實驗檢驗中，本文方法的關(guān)鍵參數(shù)設(shè)定情況及實驗機器人關(guān)鍵參數(shù)詳見表1。

首先通過本文方法采集實驗機器人焊接作業(yè)過程中的作業(yè)圖像，由所采集的若干作業(yè)圖像中隨機抽取2組作為實驗機器人基礎(chǔ)作業(yè)圖像，對其實施降噪與分割處理，獲得處理后高質(zhì)量機器視覺檢測實驗機器人作業(yè)圖像。所抽取的實驗機器人基礎(chǔ)作業(yè)圖像如圖1所示。

經(jīng)本文方法處理后，所獲得的處理后實驗機器人作業(yè)圖像效果如圖2所示。

結(jié)合圖1與圖2能夠看出，2組實驗機器人基礎(chǔ)作業(yè)圖像中存在不同程度的干擾噪聲與背景干擾區(qū)域，經(jīng)本文方法處理后，有效消除了實驗機器人焊接過程中作業(yè)圖像內(nèi)的此類干擾，提升作業(yè)圖像的整體精度，保障所采集的實驗機器人作業(yè)圖像的整體質(zhì)量，為后續(xù)實施變質(zhì)心補償控制奠定基礎(chǔ)。

在此基礎(chǔ)上，繼續(xù)通過本文方法運用處理后機器視覺檢驗實驗機器人作業(yè)圖像構(gòu)建機器人變質(zhì)心模型，并設(shè)計自適應(yīng)滑模控制器，對實驗機器人焊接作業(yè)過程實施變質(zhì)心補償控制，依據(jù)補償控制后實驗機器人的作業(yè)追蹤誤差情況，檢驗本文方法的實際應(yīng)用性能。分別設(shè)定三種實驗情境，實驗情境1為實驗機器人所搭載3自由度移動平臺的X、Y兩個方向?qū)к壒餐苿?，?dāng)移動至 90mm 處時返回；實驗情境2為其Y方向?qū)к壱苿?，而X方向?qū)к壩恢貌蛔?，同樣移?90mm 處時返回；實驗情境3為 X 方向?qū)к壱苿?，而Y方向?qū)к壩恢貌蛔?，?dāng)移至 90mm 處時返回。三種實驗情境下平臺導(dǎo)軌的移動狀況如圖3所示。

通過本文方法對三種實驗情境下實驗機器人焊接作業(yè)的變質(zhì)心實施補償控制，依據(jù)控制結(jié)果，檢驗本文方法的補償控制性能。本文方法補償控制后，實驗機器人在三種情境下的 x，y，z 方向作業(yè)跟蹤誤差情況如圖4所示。

由圖4可得出，三種實驗情境下，本文方法補償控制后，實驗機器人焊接作業(yè)過程中對 x，y 兩個方向的跟蹤誤差均較低，幾乎接近于0，對 z 方向的追蹤誤差相對稍高；其中，在情境1下，本文方法補償控制后實驗機器人焊接作業(yè)時對 z 方向的最高追蹤誤差為 6.01mm ，在情境2與情境3下，本文方法補償控制后實驗機器人焊接作業(yè)時對 z 方向的最高追蹤誤差分別為 4.58mm 與 3.53mm 。由此可見，本文方法可實現(xiàn)對焊接雙臂協(xié)作機器人作業(yè)過程中變質(zhì)心的補償控制，控制后機器人的焊接作業(yè)追蹤精度更高，可為此類機器人的整體焊接作業(yè)質(zhì)量提供保障。

為了驗證本文方法的焊接作業(yè)追蹤效果，采用參考文獻(xiàn)[5]方法、參考文獻(xiàn)[6]方法以及本文方法進(jìn)行焊接作業(yè)追蹤精度驗證，得出結(jié)果見表2所示。

分析表2可知，當(dāng)時間為5s時，文獻(xiàn)[5]方法的焊接作業(yè)追蹤精度為 58.2% ，文獻(xiàn)[6]方法的焊接作業(yè)追蹤精度為 72.5% ，本文方法的焊接作業(yè)追蹤精度為 96.8% ；當(dāng)時間為20s時，文獻(xiàn)[5]方法的焊接作業(yè)追蹤精度為 65.1% ，文獻(xiàn)[6]方法的焊接作業(yè)追蹤精度為 83.0% ，本文方法的焊接作業(yè)追蹤精度為 97.3% ；上述結(jié)果表明，本文方法能夠有效提高焊接作業(yè)追蹤精度。

3結(jié)束語

對于焊接雙臂協(xié)作機器人而言，其焊接作業(yè)的精度與穩(wěn)定性是決定整體焊接質(zhì)量的關(guān)鍵，而對于其焊接作業(yè)精度與穩(wěn)定性而言，主要決定因素即為其變質(zhì)心的實時補償控制，為此，本文針對一種基于機器視覺檢測的焊接雙臂協(xié)作機器人變質(zhì)心補償控制方法展開研究。運用工業(yè)相機采集目標(biāo)機器人焊接作業(yè)過程中的作業(yè)圖像，對此類實施降噪與分割處理后，得到質(zhì)量更高的機器視覺檢測機器人作業(yè)圖像;結(jié)合此類圖像建立目標(biāo)機器人作業(yè)中的基礎(chǔ)動力學(xué)模型，并在此基礎(chǔ)上進(jìn)一步推算獲得目標(biāo)機器人變質(zhì)心模型，運用該變質(zhì)心模型，設(shè)計可實現(xiàn)變質(zhì)心補償控制的自適應(yīng)滑?？刂破?。經(jīng)實驗檢驗得出，本文方法采集處理后所得的機器視覺檢測機器人作業(yè)圖像呈現(xiàn)清晰，具有較高的質(zhì)量；以此為基礎(chǔ)補償控制實驗機器人后，機器人可精準(zhǔn)追蹤移動平臺實現(xiàn)高精度焊接作業(yè)。

參考文獻(xiàn)

[1]李宇飛，田威，李波，等.機器人銑削系統(tǒng)精度控制方法及試 驗[J].航空學(xué)報，2022，43（5）：109-119. LIYF，TIANW，LIB， etal.Accuracycontrol method and experiment of robotmilling system[J].Acta Aeronautica et Astronautica Sinica，2022，43（5）：109-119.

[2]孫陽陽，李陽.基于雙臂焊接機器人系統(tǒng)的白車身滿焊研究 [J].工業(yè)控制計算機，2022，35（7）：145-146. SUNYY，LIY.Researchon fullweldingofBIWbasedon double welding robot system[J]. Industrial Control Computer， 2022，35（7）：145-146.

[3]李銘磊，孫濤，趙永國，等.基于雷塞控制系統(tǒng)的五軸焊接機 器人的運動學(xué)建模與分析[J].熱加工工藝，2021，50（15）： 97-101. LIML，SUNT，ZHAOYG，etal.Kinematic modelingand analysis ofa five axis welding robot based on leadshine control system[J].Hot Working Technology，2021， 50（15）： 97- 101.

[4]曾培江，劉霞.基于雙觀測器的機器人自適應(yīng)摩擦補償控制 [J].西華大學(xué)學(xué)報（自然科學(xué)版），2021，40（5）：60-68. ZENG PJ，LIU X. Adaptive Friction Compensation Control forRobot Based on Dual-observer[J].Journal of Xihua University（Natural Science Edition）， 2021， 40（5）： 60-68.

[5]付曉東，陳力.全彈性平面運動機器人的高精度運動控制和 振動抑制算法研究[J].計算力學(xué)學(xué)報，2021，38（2）：199- 205. FU X D， CHEN L. Research on high precision motion control andvibrationsuppressionalgorithmofelastic-base flexiblejointand flexiblelink planarmotion robot[J].Chinese Journal of Computational Mechanics， 2021，38（2）： 199-205.

[6]韓江，汪鵬，董方方，等.基于Udwadia-Kalaba方法的平面冗 余并聯(lián)機器人建模與軌跡跟蹤控制［J].應(yīng)用數(shù)學(xué)和力學(xué)， 2020，41（11）： 1183-1196. HANJ，WANGP，DONGFF，etal.Modelingandcontrolof planar redundant parallel robots based on the Udwadia-Kalaba method[J].Applied Mathematicsand Mechanics，2020， 41（11）： 1183-1196.

[7]ABE Y，KATSURA S.Compensation of nonlinear dynamics forenergy/phase control of hopping robot[J].Precision Engineering，2021，69（7）： 36-47.

[8]高繼勛，黃全振，高振東，等.基于反演法的移動機器人軌跡 跟蹤控制[J].中國測試，2022，48（8）：130-135. GAO J X， HUANG Q Z， GAO Z D， et al. Trajectory tracking control of mobile robot based on backstepping method[J]. ChinaMeasurement amp; Test，2022，48（8）：130-135.

[9]包加桐，楊圣奧，朱潤辰，等.視覺與激光結(jié)合的室內(nèi)移動機 器人重定位方法[J].中國測試，2021，47（11）：1-7. BAOJT，YANGSA，ZHURC，etal.Relocationmethodfor indoormobile robot bycombining vision and laser[J].China Measurementamp; Test，2021， 47（11）： 1-7.

[10]陳素霞，黃全振，高繼勛.非完整約束移動機器人自適應(yīng)軌 跡跟蹤控制設(shè)計[J].中國測試，2021，47（11）：80-84. CHEN S X，HUANG QZ，GAO JX.Design of adaptive trajectory tracking control of nonholonomic mobile robot[J]. ChinaMeasurement amp; Test，2021， 47（11）： 80-84.

[11]艾福強，包建東，劉正權(quán).基于粒子群優(yōu)化模糊PID控制的 多足式真空吸附機器人控制方案設(shè)計[J].電子測量技術(shù)， 2023，46（2）： 67-72. AIFQ，BAOJD，LIUZQ.Design of multi leggedvacuum adsorption robot control scheme based on PSO-fuzzy PID control[J].Electronic Measurement Technology，2023， 46（2）： 67-72.

[12]武堯，劉振宇，谷亞寧.基于機器視覺的多目標(biāo)sar圖像閾值 分割仿真[J].計算機仿真，2020，37（10）：441-444. WUY，LIUZY，GUYN.Threshold segmentationsimulation of multi-target SAR image based on machine vision[J]. ComputerSimulation， 2020，37（10）： 441-444.

（編輯：譚玉龍）