基于GA优化RBF模型的人机协作缝纫意图预测

2020年第42卷第6期第1页
Vol.42,No.6
2020,42(6):1-6电气传动自动化
ELECTRIC DRIVE AUTOMATION
文章编号：1005—7277(2020)06—0001—06
基于GA优化RBF模型的人机协作缝纫意图预测!
王形，谭海燕，王
(西安工程大学电子信息学院，陕西西安710048)
摘要：人机协作缝纫中机器人对合作者意图的预测能够前摄机器人的期望轨迹，改善机器人运动滞后带来的柔顺性差的问题。

本文采用人机交互力、机器人末端速度与末端位置作为径向基神经网络模型输入来训练缝纫机器人对合作者意图的预测，并用自适应交叉变异遗传算法优化径向基神经网络(GA-RBFNN)的权值和高斯函数的宽度矢量，改善径向基神经网络模型精度,提高模型对输出为机器人末端速度作为合作者意图的预测能力。

实验结果表明，人机协作缝纫中，机器人对合作者意图的预测能够实现,意图预测的误差精度保持在I。

-2以下。

关键词：人机协作；意图预测；GA-RBF神经网络;缝纫；机器人
中图分类号:TP242.2文献标识码：A
Prediction of Intention Based on GA-RBF Neural Network Model
for Human-robot Cooperative Sewing
WANG Tong o TAN Hai-yan^WANG Hao-yi
(School of Electronics and Information o Xi^an Polytechnic University o Xi'an710048,China) Abstract:In the human-robot cooperative sewing,the robot's prediction of the intention of the cooperator can predict the desired trajectory of the robot,and improve the problem of poor compliance caused by the robot's motion lag.The human-robot interaction force,the end velocity and the end position of the robot are used as the input of the RBF neural network to train the sewing robot to predict the intention of the cooperator.The weight of the radial basis function and the width vector of the Gaussian function are optimized by using the adaptive crossover mutation genetic algorithm(GA—RBFNN)to improve the accuracy of the RBFNN model and improve the ability to predict the intention of partners,which is expressed by the end velocity.The experimental results show that the robot can predict the intention of the cooperator,and the error precision of intention prediction is kept below10-2.
Key words:human-robot cooperation;intention prediction;GA-RBF neural network;sewing;robot
随着纺织行业缝纫工序的技术创新不断向前迈进，以机器人替代人工进行织物缝纫逐渐成为趋势。

单机缝纫⑴及多机缝纫难以实现多种缝纫的实际需求。

由于织物的柔性性质，使得人机协作缝纫成为新方式。

人机协作缝纫对协作者意图预测的准确性以及机器人末端跟踪能力有较高的要求。

文献仅采用基于操作者力的自适应阻抗控制方法，因缺乏前摄参数的能力而存在机器人运动控制滞后严重，且机器人的跟踪性能差的问题。

Y.Chua等人在阻抗控制的基础上加入了意图预测，使人机握手的实时性得以提升。

S.S.Ge等人采用基于人机交互的意，作者意图前摄机器人期望轨迹,可减小合作者作用力，改善人机协作的同步性及柔顺性。

刘智光!2"等人利用梯度下降法训练RBF神经网络(RBFNN)权值来实现人机的的意,用于协作安装玻璃幕墙。

但这一方法在人机协作缝纫中跟随误差明显。

独立神经网络的非线性映射难以实现全局最优，因而神经网络常与优化算法相结合
!基金项目:陕西省自然科学基础研究计划项目(2019JQ-855)；陕西省教育厅自然科学专项项目(19JK0375)
•2・电气传动自动化2020年第6期
以实现全局寻优。

张蕊页等人采用GA-BP神经网络预测人机协作意图，利用GA改善了BP神经网络的全局搜索能力，但BP神经网络需要训练两层权值，训练复杂度增加。

文献⑷证明调整交叉变异策略的GA算法对RBFNN优化后，可实现快速参数寻优,提高模型整体的准确性。

基于上述分析,本文提出以人机交互力、速度、末師置作为交互信息,基于以上信息利用GA-RBFNN 进行人机协作意图预测。

本文设计自适应交叉变异策略优化遗传算法来改善快速全局搜索能力，进而利用改进的GA优化RBFNN的权值和宽度矢量,通过选取合适的适应度函数，训练出更准确的GA-RBFNN模型，进一步改善人机协作缝纫系统对合作者意图预测的准确性和快速性，提高系统意图预测结果的前摄能力及跟随能力，改善人机协作缝纫的效率。

本文实验将采集的数分别训练利用梯度下降法调整权值的RBFNN和本文GA-RBFNN，两种方法采用同样的控制方法跟踪验证,通过仿真对比验证本文方法有效。

1人机协作缝纫系统建模
人机协作缝纫中，机器人对合作者的主动跟随能力是人机协作缝纫效率的关键（图1所示为人机协作缝纫示意图（图中，在缝纫曲线时由于在预定轨迹下x方向的跟随容易实现，而人的拉力和机器人的拉力所形成的往复运动只在y方向，所以机器人跟随能力主要体现在y维度上（本文着重研究y方向的人机协作。

图1人机协作缝纫示意图
假定人通过织物施加给机器人的交互力是一维集中力,即交互力瞬时仅有一个大小和方向。

那么人的力模型可化模型（在此模型中，将人机协作系统预估的协作者预期加速度、速度与饰三个变量定义为协作者的意图:在笛卡尔坐标系中用!%#$,%&$,%&$［表示：
--!）+K&（%—x&=—f（1&式中：｛M h,B h,K h｝分别为合作者手臂的质量矩阵，阻尼矩阵刚度矩阵,而｛!,!,!｝分别为合作者的手通过织物间接施加给机器人的加速度、速度和位置信息,/是机器人与协作者的交互力。

识别合作者的意图"加,！加,！J,正是基于此模型中的!!,!,!｝三个参数。

对于机人：
m%!$-!/）+（d（'!d-!/）+k%!$-!/）=-*（2）
式中：｛M d,B d,Kj为机器人的惯性矩阵，阻尼矩阵刚度矩阵,!d, !d,!d人机协作的机器人控制算法根作意图给出的机器人理想加速度，速度及位置参数，"/,!/,!/｝为机器人末端实际的加速度，速度和位置信息。

人机协作缝纫中,合作者主动产生协作信息即U,!,!!,这一信息通过缝纫织物间接传递给机器人末端的传感器，传感器将采集到的信息发送给意图识别机制给出意图预测结果即仇,沁,％\（意 图信息传给机器人控制器，由控制算法求得机器人理想协作参数｛!d,!d,!d i,末端控制器根据这一理想变量执行动作产生机器人实际协作信息｛亀,!/,!」（而这一信息又会通过织物间接影响合作者的主动协作变量，即｛!/,!/,!」• !, !,!在人机协作
中，希望机器人和人能够同步运动下，因此期望机器人与人的运动完全吻合（
2意图识别的GA-RBF神经网络
2.1经典RBF意图预测的问题
人的意图会跟随协作双方的状态以及变化的目标等因素的变化而不断变化。

因此，直接基于公式（1）人手臂的动力学模型求最优解来预测协作
2020年第6期王彤，谭海燕，王BC基于GA优化RBF模型的人机协作缝纫意图预测-3-
者意图的方法并不可取。

因此可以用RBFNN来逼近意图预测的参数。

经典RBFNN采用梯度下降法来调整神经网络的权值，选取样本数少导致模型训练不精确,网络泛化能力欠佳，对意图参数的预测能力不强，且使控制器控制机器人末端跟踪能力滞后。

2.2RBF神经网络的构建
RBF神经网络是前馈神经网络，仅含有一层隐含层。

RBF神经网络有简单的拓扑结构且可对任意非线性函数逼近。

2.2.1RBF神经网络结构
本文研究图1所示y方向上的人机协作能力，只需将位置、速度和交互力三个信息作为本文神经网络的输入，因此本文RBF神经网络的输入量个数为3+意图预测结果为了更方便体现意图识别机制的性能，也为了方便控制器的设计，将意图预测结果简化为合作者的预期协作速度｛以便于设计机器人控制器输岀末端期望UJ速度趋近于人的意图速度｛%｝,因此本文RBFNN的输出层节点为1,RBFNN结构图如图2所示：
输入层隐含层输出层
本文选有近能力的函数作为RBF神经网络的隐含层的径向基函数，其表3
'二! e.p（-----II））二1,2，•…,p（3）
）=12!.
式中:'为RBFNN的输出,！为RBFNN的输入，P为隐数,&代表隐节点的函数,！）为高斯径函数的宽度矢量"为高斯基函数中心为隐含层第）个神经的权重。

2.2.2RBF神经网络基函数中心的选取
本文RBFNN的隐含层神经的函数的中心采用K均值聚类方法求取,RBFNN的输入量为采集到的合作者机器人的速度!、位置！及交互力通过弭正,当聚类数K=7时,各类簇的高斯函数方差最优。

因而本文RBFNN的隐含层节点数（=7
2.3基于遗传算法GA的RBFNN优化
RBFNN有化能力泛化能力
强的3A法是一性强
索能力强的优化算法。

用GA来优化RBFNN的高斯函数宽度!以及隐含层节点与输岀间的权值#,可以训练能人机意图的预测精度并改善机器人末端的跟踪能力。

2.3.1遗传算法的设定
GA法遗传操作主要是以种群为单位进行选择、边、变异来实现榊羊囲匕经典GA算法运行较慢且更容易陷入局部极小值,针对这一问题,本文采用3对GA进行翩尤化帖RBFNN结合的改$施&算法具体实施过程如下：
（1）编码本文采用二进制编码，编码长度为10,简单易行且符合最小字符集编码原则可以提高遗传操作的便捷度。

首先将RBFNN中随机初始的高斯函数宽度矢量！及网络权值#混合对应编码&在算法规定的迭代过程中，以M作为种群规模,每次迭代生成的种群染色体编定为：
$1,…，$”-=1,2,3,…,M（4）（2）适应度函数选取迭代的误差因子取为每个个对应输岀值'”与神经网络预测值沧的均方误差，即：
取误差因子平方的倒数作为适应度函数可以放大误差,以提高适应度函数的检验能力，即：
1”=1/e””=1,2,3,…,M（6）1”与误差因子e”的平方成反比，所以1”越大时的染色体越优&
（3）选择操作在M个种群个体中选择优良个体原则上采用经典的轮盘赌法，其中第9
个个体被选
•4-电气传动自动化2020年第6期择的概率是：
$
P(!”)=#”/(7)
"=1
初步选择操作完成后，采用最优优先策略进一步
选优。

即寻找适应度最高和最低两个极值的个体，用
适应度最高的个体与最佳适应度个体比较,若最佳
适应度更高则用最佳适应度个体替换最低适应度个
体，否则不进行替换操作,从而提高整体平均适应度。

(4)自适应交叉变异设#*+是种群最大适应度,
#叱是种群平均适应度。

染色体交叉概率P)和变异
概率P*随种群适应度的变化而改变。

交叉变异起始
概率P)1、P*1和交叉变异行进概率P)2o P*2的关系为：
P)=
P)1(P)1+P)2) P*=%"%一叱
Pc,%-%：
P*1(P*1_PJ(心%),%"隘
\%max—%a'g/
P*1,%<%e g ⑻⑼
式中各项参数根据测试最佳平均适应度设置为P)1=0.9,P*1=0.1,P)2=0.6,P m2=0.01。

从经过选择后的群体中随机选取两个单体进行全局均匀选择交叉，式所示：
(1，="!2+(1-")!1a。

)
[«2，="«1+(1-")!2
式中)(0,1)为随的任意实数，右和!2‘分别为交叉后的两个子代染色体，并重新编入种群M中随进化代数参与优化。

2.3.2改进遗传算法对RBF进行优化
改进遗传算法采用训练样本来优化RBFNN。

GA RBF经的优化3：
图3GA-RBF经网络优化流程图
当优化后的种群适应度F”满足优化或已达到GA算法的进化迭代次数上限时，输出优化后的RBFNN的隐含层与输出间的权值#，及高斯径向基函数的宽度
3样本数据集的获取及实验
本文使用MATLAB/SIMULINK来构建仿真实验环境，通过仿真来验证本文GA优化算法对RBF 神经网络改进的有效性。

由于当前现有工业机器人的与 的
作，因此本文选择用自适应阻抗控制的方法来设计仿真实验环境的柔顺控制方法。

实验环境是MATLAB R2014a,实验平台处理器型号是Intel(R) Core(TM)***************,安装内存为8G。

3.1实验数据的获取
本文将一维力传感器的挂载端子一端与机器人末端相接,另一端与织物相接，人手拉住织物另一端。

人和机器人分别主动施力，可获得图1中y 正负方向拉力的数据集。

将机器人伺服电机编码器的返回值通过关节空间及笛卡尔空间转换得到末端位置和速度信息。

获取数据集的示意4所示:
s^
s
—
数据采集卡
上位机
图4数据获取
设置实验数据集采样频率为100Hz，采集5s,重复采样3次＜总共得到1500组数据样本，从3次采样中分别随机抽取100组数据共300组数据作为实验数据集，其中200组作为II练集,100组作为验证集。

3.2自适应阻抗控制器设计
本文所涉及的机械臂参数中，因为机器人与人合作无回弹力，因而机器人阻抗控制刚度参数/=0。

自
2020年第6期王彤，谭海燕，王RS基于GA优化RBF模型的人机协作缝纫意图预测■5-
适应阻抗控制的结构框图如图5所示，系统中增加了速度补偿。

速度补偿根据实际人机交互力与期望力的误差来不断进行调整，使机器人末端实际速度尽可能的快速跟随控制器输出的预期末端速度。

图5自适应阻抗控制框图
自适应阻抗控制器如下式：
M"#+%（#"—X+!）=—f+f"（11）式中:Q为速度补偿项,M",B"分别为理想的质量矩阵和阻尼矩阵，力为期望的交互力。

假设
为趋于0的正数。

则速度补偿项为：
Q（（）=Q（（-））+"伉（—）））—（（—）））（⑵式中：）为控制器期，"为更新率,*为常数。

为了使人机协作同步性良好，足X"=#+",设机器人的质量和阻尼矩阵分别为M"=0.1,B"=1，力=0.5,。

3.3机器人模型选取
本文人机协作的机器人运动学控制主要涉及工业机器人的大臂及小臂的运动学控制,因而选取二连杆机械臂作为本文的机器人末端速度跟踪仿
3.4GA参数设置
3.4.1种群规模
种群规模的大小对于遗传算法的收敛速度以
能要本文据实所需设定种群规模大小M=100。

3.4.2迭代次数
有限次的迭代中达到了期望值，或在保证收敛精度的下了数,足可停止迭代。

本文根据实验所需代次数为300：4实验结果及分析
4.1预测模型误差分析
本数量足系预
足够有效,也是检验模型合理性的必要条件。

本文200组训练数据的意图预测速度与机器人末端跟踪速度的误差变化如图7所示：
由图7可知，在本文实验条件下，第100组训练样本的跟踪意图预测速度误差为0.007,已经小于10-2,因此200组训练数据是足够的。

训练样本数量20,于GA
导致误差出现短暂增加,但随着训练样本数量的增加，GA算法对神经网络参数的优化趋于稳定,训练误差也随之下降。

4.2人机协作跟踪意图交互力及速度分析
为了验证本文所提出的GA—RBFNN预测意图的有效性及系统对预测意图的跟踪能力，本文分别采用仅有梯度下降法调节权值的经典RBFNN 和前文提出的GA—RBFNN两种模型来进行实验,通过对比说明本文方法的有效性：
用仅梯度下降调整权的RBFNN进行实验的结果如图8所示。

•6•电气传动自动化2020年第6期
图8RBFNN速度预测跟踪曲线图
由图8可知,RBFNN模型的意图预测速度有明显的时间滞后。

这个滞后由于RBFNN模型不精确导致，原因在于梯度下降法的权值调整仅使用固定样本作参考，对于更大量的数据集会使计算量庞大复杂，所以梯度下降法调节权值的RBFNN模型在非精确模型的控制系统中泛化能力普遍较弱，因此对于时间连续变量的预测能力存在学习不足导致的时间滞后、预测精度不高的问题。

本文GA-RBFNN模型进行实验的结果如图9
图9GA-RBFNN速度预测跟踪曲线图
图9中，GA-RBFNN模型下的意图预测速度能够紧密拟合实际测量的末端速度，误差在10-2以内。

由于自适应交叉变异概率规则可以加快GA算法的全局寻优的收敛速度，因此经过自适应交叉变
的GA化的RBFNN对时间连续变量的预测能力改善良好。

图8和图9中，仅有梯度下降的RBFNN与GA-RBFNN法的跟踪速度能对意图预测速度的跟踪，说明本文设计的自适应阻抗控制器合理。

通过以上分析可得,GA算法改进了RBFNN的预测准确性，提高了模型对时间连续变量非线性拟合的实时性，因而提高了系统的跟踪能力。

模型训练后跟踪误差能够保持在10-2以下,降低了神经网络预测误差，符合人机协作缝纫的要求9
5结束语
为了解决传统RBF神经网络实际结果与预测结果偏离较大的问题-本文通过设计自适应交叉变异概率准则引入到遗传算法GA中用于改进GA 算法的全局搜索能力及收敛速度，并用改进的GA 算法优化RBF神经网络中的权值和宽度矢量，改进了RBFNN模型的数据拟合能力，提高了意图预测精度，改善了人机协作缝纫系统对意图预测速度及交互力的跟踪实时性和准确性9可以预见,GA-RBF神经网络将会给纺织行业的人机协作缝纫带来提升，可以使人机协作缝纫系统中机器人的柔顺性更好，提高协作缝纫的产品质量，提高生9
参考文献：
[1]王晓华，王育合,王文杰，王进，陶庆•缝纫机器人工作空
间分析[J]•机械科学与技术,2020,39(8)：1217-1221. [2]L I6Z G,HAO J H.Intention recognition in physical
human-robot interaction based on radial basis function neural network]J].Journal of Robotics,2019,2019:1-8.
[3]张蕊，杨冬，沈永旺，等基于GA-BP神经网络的接触
式人机协作意图理解方法研究]J]・组合机床与自动化加工技术，2019(11)：86-91.
[4]王永强，仲钊，张斌，曹轩•基于改进RBF神经网络控制的
高频电源的研究]J]・电力电子技术,2017,51(12)：91-94.作者简介：
王彤(1995-),男，山东人，硕士在读，研究方向：纺织行业机器人智能化技术。

收稿日期：
2020-11-15。